148 53 4MB
German Pages 362 Year 2006
Maik Hammerschmidt Effizienzanalyse im Marketing
GABLER EDITION WISSENSCHAFT Schriftenreihe des Instituts für Marktorientierte Unternehmensführung Universität Mannheim Herausgegeben von Professor Dr. Hans H. Bauer und Prof. Dr. Dr. h.c. Christian Homburg
Das Institut für Marktorientierte Unternehmensführung (IMU) wurde 1999 an der Universität Mannheim neu konstituiert. Das Institut ist durch Umbenennung aus dem ehemaligen Institut für Marketing entstanden. Es versteht sich als Plattform für anwendungsorientierte Forschung sowie als Forum des Dialogs zwischen Wissenschaft und Praxis. Ziel dieser Schriftenreihe ist es, wissenschaftliche Erkenntnisse zu publizieren, die für die marktorientierte Unternehmensführung von Bedeutung sind.
Maik Hammerschmidt
Effizienzanalyse im Marketing Ein produktionstheoretisch fundierter Ansatz auf Basis von Frontier Functions
Mit einem Geleitwort von Prof. Dr. Hans H. Bauer
Deutscher Universitäts-Verlag
Bibliografische Information Der Deutschen Bibliothek Die Deutsche Bibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über abrufbar.
Dissertation Universität Mannheim, 2005
Gedruckt mit Unterstützung des Förderungs- und Beihilfefonds Wissenschaft der VG WORT.
1. Auflage Mai 2006 Alle Rechte vorbehalten © Deutscher Universitäts-Verlag | GWV Fachverlage GmbH, Wiesbaden 2006 Lektorat: Brigitte Siegel / Stefanie Loyal Der Deutsche Universitäts-Verlag ist ein Unternehmen von Springer Science+Business Media. www.duv.de Das Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt. Jede Verwertung außerhalb der engen Grenzen des Urheberrechtsgesetzes ist ohne Zustimmung des Verlags unzulässig und strafbar. Das gilt insbesondere für Vervielfältigungen, Übersetzungen, Mikroverfilmungen und die Einspeicherung und Verarbeitung in elektronischen Systemen. Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in diesem Werk berechtigt auch ohne besondere Kennzeichnung nicht zu der Annahme, dass solche Namen im Sinne der Warenzeichen- und Markenschutz-Gesetzgebung als frei zu betrachten wären und daher von jedermann benutzt werden dürften. Umschlaggestaltung: Regine Zimmer, Dipl.-Designerin, Frankfurt/Main Druck und Buchbinder: Rosch-Buch, Scheßlitz Gedruckt auf säurefreiem und chlorfrei gebleichtem Papier Printed in Germany ISBN-10 3-8350-0296-1 ISBN-13 978-3-8350-0296-8
V
Geleitwort Das Thema Marketingeffizienz steht auf der Agenda von Wissenschaft und Praxis des Marketing derzeit weit oben. Das Marketing und insbesondere der Bereich der Werbung wurden, als eine meist von Intuition getriebene Managementlehre, lange Zeit bestenfalls auf Basis „weicher Daten“ betrachtet. Deren Ergebnisse galten daher als kaum ökonomisch quantifizierbar. In jüngster Zeit wird jedoch auch vom Marketing verstärkt gefordert, den Erfolgsbeitrag anhand harter Fakten nachzuweisen. Immer mehr sind daher Marketingverantwortliche bestrebt, die Marketinginvestitionen (Inputs) in Relation zu den dadurch erzielten monetären und nicht monetären Ergebnissen (Outputs) zu setzen. Auf diese Weise soll die zentrale Rolle des Marketing in Unternehmen legitimiert und nachgewiesen werden, dass das Marketing etwas "produziert" und somit zur Wertschöpfung beiträgt. Die Idee, auch das Marketing als produktives System zu begreifen, das durch Einsatz der 4 Ps als Inputs akquisitorisches Potenzial als Output produziert, äußerte schon in den 50er Jahren einer der Urväter der deutschen Betriebswirtschaftslehre Erich Gutenberg. Allerdings wurde diese Sichtweise bisher kaum aufgegriffen und systematisch zu einem produktionstheoretisch fundierten Marketing weiterentwickelt; nicht zuletzt weil bisher leistungsfähige, quantitative Methoden der Effizienzmessung fehlten. Einen großen Schritt auf diesem Weg leistet die Dissertation von Maik Hammerschmidt. Er wird damit der gerade in jüngster Zeit erhobenen Forderung gerecht, die Produktionstheorie als „Mutter der BWL“ zu verstehen und auch für andere Teildisziplinen fruchtbar zu machen. Er stellt produktionstheoretisch fundierte Methoden der Effizienzmessung vor und wählt die Data Envelopment Analysis (DEA) als ein Verfahren aus, welches besonders im Marketing ein hohes Anwendungspotenzial besitzt. Anders als traditionelle Verfahren, wie etwa die Regressionsanalyse, orientiert sich die DEA nicht an einer durchschnittlichen Leistungsfähigkeit (Average Practice), sondern ermittelt den effizienten Rand (Best Practice) einer Menge von Marketingeinheiten. Diese Randproduktionsfunktion zeigt, welcher maximale Output mit einem bestimmten Inputeinsatz erreichbar ist. Anhand dreier empirischer Anwendungen in den Bereichen Produkt,- Marken- und Vertriebsmanagement überträgt der Autor die DEA ins Marketing und veranschaulicht so ausführlich die vielfältigen Erkenntnisse und Handlungsimplikationen der Methode für Marketingmanager. Maik Hammerschmidt legt eine hervorragende Arbeit vor. Mit dem von ihm für die Marketingforschung adaptierten modernen produktionstheoretischen Analyseapparat wird meines Erachtens ein großes Tor zu einer neuen Forschungsrichtung zum Thema Marketingcontrolling aufgetan. Im Stellenwert schätze ich den Einzug der Data Envelopment Analysis und der mit ihr verwandten Methoden in das Marketing
VI auf gleicher Stufe ein wie die so genannte multivariate Revolution der 70-er Jahre und die Conjoint-Measurement-Revolution der 80-er Jahre. Sowohl die theoretische Einordnung des analytischen Instrumentariums in den Kontext des Marketing als auch die methodischen Darstellungen und die empirischen Anwendungen zeigen die Expertise des Verfassers. Besonders hervorzuheben ist die didaktische Struktur der Arbeit. So fördern die ausführliche Herleitung grafischer Lösungen und die Anwendung eines durchgehenden Zahlenbeispiels das Verständnis der nicht einfachen mathematischen Zusammenhänge bei dieser neuen Methodengruppe enorm. Insgesamt ist Maik Hammerschmidt eine Arbeit gelungen, die offensichtlich belegt, dass er zu den wenigen Experten der marketingbezogenen Effizienzforschung in Deutschland gehört. Ich bin davon überzeugt, dass die Arbeit in der Wissenschaft und in der Unternehmenspraxis eine hohe Aufmerksamkeit verdient.
Univ.-Prof. Dr. Hans H. Bauer
VII
Vorwort „Es gibt zwei Dinge, auf die man im Leben hinarbeiten muss: zunächst, das zu bekommen, was man will, und danach, es zu genießen. Nur den großen Weisen der Menschheit gelingt das zweite.“ (Robert Lee Frost)
Die vorliegende Arbeit, die durch die Fakultät für Betriebswirtschaftslehre der Universität Mannheim als Promotionsschrift angenommen wurde, entstand während meiner Tätigkeit als Wissenschaftlicher Mitarbeiter am Lehrstuhl für ABWL und Marketing II. Nachdem diese Arbeit, die man eigentlich nie wirklich beenden kann, für beendet „erklärt“ ist, möchte ich einigen Personen danken, die mich auf dem ganzen bisherigen Weg oder einem Teil des Weges begleitet haben. Zuerst danke ich meinem Doktorvater und Mentor Professor Dr. Hans H. Bauer herzlich für die bemerkenswerte Fähigkeit, verständnisvoll über kleine und mittelgroße Schwächen hinwegzusehen und vor allem die positiven Seiten zu betonen und zu fördern. Neben all den fachlichen Freiräumen, die er mir gewährt hat, danke ich ihm deshalb ganz besonders für die menschlichen Freiräume. Diese sind für die persönliche Entwicklung mindestens genauso wichtig. Seine Mischung aus beeindruckendem Scharfsinn und Lebenserfahrung und -freude ist ein wichtiger Grund dafür, dass ich mir keinen besseren Ort zum Promovieren (und nun auch Habilitieren) vorstellen kann. Die warmherzige Atmosphäre an seinem Lehrstuhl lässt zudem ausreichend Zeit, gemeinsam Erreichtes zu genießen; sei es beim „letzten schönen Tag“, dem „Sommer-Brunch“ in seinem Hause oder bei Lehrstuhlsitzungen, die bei gutem Wetter auch schon mal an das Rheinufer verlegt werden. Er hat zudem die Brisanz des Themas „Marketingeffizienz“ erkannt, lange bevor dieses auf den ersten Platz der MSI Research Priorities gesetzt wurde. Herrn Bauer verdanke ich entscheidende Weichenstellungen meines beruflichen Lebens. Ich freue mich, dass ich auch weiterhin viel von ihm lernen kann. Dank schulde ich weiterhin Herrn Professor Dr. Hans-Jörg Hoitsch für die bereitwillige und spontane Übernahme des Korreferats, für seine aufgeschlossene Art und nützliche Tipps für die akademische „Karriereplanung“. PD Dr. Matthias Staat gebührt als „Ko-Mentor“ großer Dank für die hochkarätige fachliche Unterstützung während der gesamten Promotionszeit und die kritischen Anregungen bei vielen Publikationen und bei hitzigen Diskursen. Seine zum Teil schonungslos offene Art hat die Arbeit entscheidend vorangebracht.
VIII Christel und Monika als den guten Seelen des Lehrstuhls und Bindegliedern für alle Mitarbeiter sei versichert, dass ohne sie unser Lehrstuhl sehr viel ärmer wäre. Sie sind wesentliche Garanten für das unbeschwerte und herzliche Klima hier. Sehr dankbar bin ich meinen Kollegen Anja, Carmen, Frank, Gunnar, Marcus, Nicola, Steffi, Tina, Tobias I („Habi“), Tobias II („Donni“) und Tomi, die als Mitglieder unserer inzwischen stark expandierten Lehrstuhlfamilie ganz wesentlichen Anteil daran haben, dass man sich jeden Tag darauf freut, an den Lehrstuhl zu kommen. Ich kann mir schon wegen der netten Kollegen gar nicht vorstellen, hier irgendwann einmal weggehen zu müssen. An dieser Stelle sei auch den ehemaligen Kollegen Marc Fischer, Mark Grether, Thomas Keller, Ralf Mäder und Alexandra Valtin für die gemeinsame Zeit am Lehrstuhl gedankt. Von den ehemaligen Kollegen sei Mark Grether besonders erwähnt, der mir als eine Art Sparring Partner vor allem die Anfangszeit am Lehrstuhl sehr erleichtert hat. Seine fast rund um die Uhr verfügbare Hilfsbereitschaft und seine unzähligen Tipps waren enorm hilfreich. Drei meiner jetzigen Kollegen möchte ich an dieser Stelle noch besonders erwähnen: Nicola, der ich sehr viel zu verdanken habe. Sie hat sich in vielen Situationen für mich eingesetzt und mich – neudeutsch formuliert – promotet. Es tut gut, jemanden an meiner Seite zu wissen, der an mich glaubt und mich auch immer wieder ermuntert, an mich selbst zu glauben. Dieser Unterstützung bin ich mir stets bewusst! Tomi, mit dem mich inzwischen eine enge Freundschaft verbindet, die nicht zuletzt durch gemeinsame Forschungstätigkeiten und viele erfolgreiche Koautorenschaften, für die er viele Grundsteine gelegt hat, gewachsen ist. Die Zeit, die ich mit ihm am und außerhalb des Lehrstuhls verbringe, ist nicht nur fachlich, sondern vor allem auch persönlich sehr gewinnbringend. Dass Tomi an den Lehrstuhl gekommen ist, war in vielerlei Hinsicht eine glückliche Fügung. Gunnar, unser „Fuchs“, für den es in den fünf Jahren unserer gemeinsamen Zeit nicht eine einzige Frage oder Problemstellung gab, auf die er keine dezidierte und hilfreiche Antwort gehabt hätte. Vielen Dank für die selbstlose Hilfsbereitschaft bei so unendlich vielen kleinen software-technischen, methodischen und „lebenstechnischen“ Problemen, für deren Lösung ich Stunden gebraucht hätte und die durch seine Hilfe in Minuten abgehakt waren. Tatkräftig unterstützt haben mich auch alle Famulanten des Lehrstuhls, insbesondere „meine“ Famulantin Eva, die aus dem Chaos von Quellen ein Literaturverzeichnis gemacht hat. Dirk, Frank, Gunnar, „Habi“, Matthias Staat, Nicola, Tomi und Ralf gebührt großer Dank für die Bereitschaft, ohne längere Vorankündigung meinerseits und daher ohne „moralische Vorbereitung“ das Korrekturlesen von früheren Fassungen der Arbeit zu
IX übernehmen und damit Schwächen meines Zeitmanagements auszugleichen. Durch sie hat sich die Qualität der Arbeit wesentlich verbessert. In diesem Zusammenhang sei Gunnar erwähnt, der mir die Korrekturseiten nicht zurückgab, ohne nicht jeden einzelnen Rechenschritt der Zahlenbeispiele verstanden (oder verständlich gemacht!) und nachgeprüft zu haben. Auch von den zahlreichen fachlichen Diskussionen mit meinen Diplomanden Ivan de Martin del Zotto, Ulrich Garde, Stefanie Kleemann, Andreas Kreuder und Patrick Unkelbach hat die Arbeit wesentlich profitiert. Auch ihnen gebührt daher an dieser Stelle Dank. In organisatorischer Hinsicht danke ich dem Dekanatsteam, allen voran Christoph Stritzke und die Sekretärinnen Frau Landgraf und Frau Winkler, für das unbürokratische und freundliche Handling des Promotionsprojektes. Auch außerhalb der „Lehrstuhlwelt“ haben mich viele besondere Menschen, zum Teil schon eine sehr lange Zeit, begleitet, denen ich abschließend meinen herzlich Dank ausdrücken möchte: Dirk, eine in jeder Hinsicht gewichtige Persönlichkeit in meinem Leben, der immer besonnen ist und in sich ruht; also das Gegenteil von mir ist. Er versucht immer wieder (manchmal sogar mit Erfolg), mir klarzumachen, dass es nicht lohnt, sich aufzuregen und auszurasten. Danke dafür, dass du dich nie hast von mir entnerven lassen! Christian, dem „Knowledge Junkie“, für die guten und manchmal exzessiven Diskussionen und die wissenschaftstheoretischen Exkurse. Er hat meine Neugier auf die Wissenschaft und meine Lust am Schreiben wesentlich mit entfacht. Ingo für seine buddhistischen Weisheiten und die Fähigkeit, mich zu veranlassen, regelmäßig innezuhalten und mit kritischer Distanz über das nachzudenken, was ich hier jeden Tag treibe. Von ihm habe ich auch gelernt, statt immer wieder in „ein Loch auf der Straße“ hineinzufallen oder darum herumzugehen, einfach „eine andere Straße“ zu nehmen. René, dem „Landsmann“ und „Controller“, für seinen trockenen, erfrischenden Humor, von dem er selbst manchmal gar nichts weiß. Gemeinsam haben wir 1993 die studientechnische „Flucht nach Mannheim“ ergriffen und uns erfolgreich auf unbekanntem, gewöhnungsbedürftigem Terrain durchgekämpft. Auch wenn sie abschließend genannt werden, gilt mein größter Dank meinen Eltern, die mir über all die Jahre den Rücken frei gehalten und so ein von vielen kleinen und großen Sorgen befreites Arbeiten ermöglicht haben. Sie waren immer ein sicheres Netz, über dem ich mich entfalten und herumexperimentieren konnte und immer wusste, dass ich im Notfall weich falle. Ich freue mich, dass ich mit dieser Arbeit hof-
X fentlich zeigen kann, dass die vielen Mühen und nicht unerheblichen finanziellen Investitionen Früchte getragen haben. Meine Eltern haben mir von Kindheit an klargemacht, dass ich, um erfolgreich zu sein, mit meinem Kopf arbeiten muss. Bisher haben sie immer Recht behalten. Meinen Eltern gilt deshalb mein größter Dank. Ihnen widme ich diese Arbeit.
Maik Hammerschmidt
XI
Inhaltsverzeichnis Abbildungsverzeichnis ........................................................................................XVII Tabellenverzeichnis ..............................................................................................XIX Abkürzungsverzeichnis ........................................................................................XXI Symbolverzeichnis ..............................................................................................XXIII A Einführung ........................................................................................................... 1 1. Zunehmender Effizienzdruck im Marketing - Doing more with less...................... 1 1.1. Marketingeffizienz im Lichte von Performance Measurement und Wertorientierung............................................................................................ 1 1.2. Forschungsfragen und Gang der Arbeit ........................................................ 4 B Konzeptionelle und theoretische Grundlagen der Effizienzanalyse.............. 7 1. Begrifflich-konzeptionelle Grundlagen der Effizienzanalyse.................................. 7 1.1. Abgrenzung von Produktivität, Effizienz und Effektivität ............................... 7 1.2. Differenzierte Effizienzkonzepte.................................................................. 10 1.2.1. Totale und partielle Effizienz............................................................. 10 1.2.2. Absolute und relative Effizienz.......................................................... 11 1.2.3. Technische, allokative, ökonomische und Skaleneffizienz ............... 12 1.3. Marketingeffizienz ....................................................................................... 14 2. Allgemeine theoretische Fundierung der Effizienzanalyse .................................. 17 2.1. Produktionstheoretische Grundlagen .......................................................... 17 2.1.1. Produktionsbegriff und dessen Übertragung auf das Marketing ....... 17 2.1.2. Aktivitätsanalyse und Dominanz....................................................... 20 2.1.3. Technologie und Technologieeigenschaften .................................... 23 2.1.4. Typen von Produktionsfunktionen .................................................... 28 2.1.5. Effizienzmessung im Lichte der Produktionstheorie ......................... 31 2.2. Entscheidungstheoretische Grundlagen ..................................................... 35 2.2.1. Grundprinzipien der präskriptiven Entscheidungstheorie ................. 35 2.2.2. Effizienzmessung im Lichte der Entscheidungstheorie..................... 37 2.3. Zwischenfazit .............................................................................................. 39 3. Konzeptualisierung der Marketingeffizienz.......................................................... 40 3.1. Forschungsansätze der Marketingeffizienz ................................................. 40 3.1.1. Makroökonomische Ansätze der Marketingeffizienz......................... 40
XII 3.1.2. Mikroökonomische Ansätze der Marketingeffizienz.......................... 43 3.1.2.1. Finanzielle Ansätze der Marketingeffizienz............................ 44 3.1.2.2. Erweiterte Ansätze der Marketingeffizienz............................. 45 3.2. Aggregationsebenen der Marketingeffizienz ............................................... 46 3.2.1. Aggregierte Marketingeffizienz ......................................................... 46 3.2.2. Disaggregierte Marketingeffizienz .................................................... 52 3.2.2.1. Produkteffizienz ..................................................................... 52 3.2.2.1.1. Anbieterorientierte Produkteffizienz .............................. 52 3.2.2.1.2. Nachfragerorientierte Produkteffizienz .......................... 54 3.2.2.1.3. Markeneffizienz............................................................. 58 3.2.2.2. Preiseffizienz ......................................................................... 69 3.2.2.3. Kommunikationseffizienz ....................................................... 72 3.2.2.3.1. Promotioneffizienz ........................................................ 73 3.2.2.3.2. Werbeeffizienz .............................................................. 75 3.2.2.4. Distributionseffizienz .............................................................. 83 C Das Konzept der relativen Marketingeffizienz: Theoretische Grundlagen und Analysemethoden...................................................................................... 89 1. Marketingeffizienzanalyse und Benchmarking .................................................... 89 1.1. Benchmarking als Grundprinzip der Marketingeffizienzanalyse .................. 89 1.2. Einordnung des Benchmarking – Theoretische Fundierung der relativen Effizienzanalyse .......................................................................................... 91 1.2.1. Wettbewerbsvorteils-Theorien .......................................................... 91 1.2.2. Prospect Theory und Strategic Reference Point Theory................... 93 1.3. Dimensionen eines Benchmarks und Klassifizierung von Benchmarkingarten ..................................................................................... 97 1.4. Aufgaben und Funktionen der relativen Effizienzanalyse im Marketing .... 101 2. Verfahren der relativen Effizienzmessung: Ein Überblick.................................. 104 2.1. Traditionelle Verfahren - Relative Effizienzmessung anhand von Kennzahlen ............................................................................................... 105 2.2. Moderne Verfahren - Relative Effizienzmessung anhand von Produktionsfunktionen............................................................................... 108 2.2.1. Parametrische Verfahren................................................................ 109 2.2.1.1. Regressionsanalyse ............................................................ 110 2.2.1.2. Der deterministische Ansatz: Deterministic Frontier Approach ............................................................................. 113 2.2.1.3. Der stochastische Ansatz: Stochastic Frontier Approach .... 115 2.2.2. Nicht parametrische Verfahren ....................................................... 121
XIII 2.2.2.1. Konvexe Technologien: Data Envelopment Analysis........... 122 2.2.2.2. Nichtkonvexe Technologien: Free Disposable Hull.............. 131 2.3. Vergleich von DEA, FDH und SFA - Auswahl eines geeigneten Verfahrens zur relativen Effizienzmessung im Marketing.......................... 134 D Die Data Envelopment Analysis als Methode zur Analyse der relativen Marketingeffizienz ........................................................................................... 143 1. Die Methodik der DEA....................................................................................... 143 1.1. Entwicklung, Annahmen und Marketingrelevanz der DEA ........................ 143 1.2. Das DEA-Grundmodell mit konstanten Skalenerträgen ............................ 148 1.2.1. Formale Herleitung ......................................................................... 148 1.2.2. Grafische Darstellung der Effizienzmessung mittels DEA im mehrdimensionalen Fall ................................................................. 153 1.2.3. Das slack-erweiterte DEA-Grundmodell ......................................... 161 1.3. Das DEA-Grundmodell mit variablen Skalenerträgen ............................... 163 1.4. Exkurs: Formale Darstellung des FDH-Modells ........................................ 166 1.5. Grenzen der DEA-Grundmodelle .............................................................. 167 1.6. Weiterentwicklungen der DEA................................................................... 172 1.6.1. Messung von Supereffizienz........................................................... 172 1.6.2. Integration von Präferenzinformationen durch Gewichtsbeschränkungen .............................................................. 174 1.6.2.1. Fixierung von Input- und Outputmultiplikatoren ................... 175 1.6.2.2. Vorgabe von Bandbreiten .................................................... 176 1.6.2.3. Ordinale Multiplikatoren ....................................................... 177 1.6.2.4. Transformation der Daten .................................................... 178 1.6.3. Validitäts- und Signifikanzprüfungen der DEA-Effizienzwerte......... 179 1.6.4. Integration nicht diskretionärer Variablen und Überprüfung der Auswahl der Inputs und Outputs .................................................... 182 1.6.5. Messung von allokativer Effizienz................................................... 184 1.7. Abschließende Würdigung der DEA.......................................................... 186 2. Anwendungsfelder der DEA im Marketing – Bestandsaufnahme empirischer Befunde ......................................................................................... 189 2.1. Anwendungen zur Analyse der aggregierten Marketingeffizienz............... 189 2.2. Anwendungen zur Produkteffizienzanalyse .............................................. 193 2.2.1. Anbieterorientierte Produkteffizienz................................................ 193 2.2.2. Nachfragerorientierte Produkteffizienz ........................................... 196 2.2.3. Markeneffizienz .............................................................................. 208 2.3. Anwendungen zur Preiseffizienzanalyse................................................... 209
XIV 2.4. Anwendungen zur Kommunikationseffizienzanalyse ................................ 213 2.5. Anwendungen zur Distributionseffizienzanalyse ....................................... 220 E Empirische Untersuchungen ......................................................................... 231 1. Studie zur Analyse der nachfragerorientierten Produkteffizienz....................... 231 1.1. Untersuchungsgegenstand und Problemstellungen.................................. 231 1.2. DEA als Instrument zur Marktstrukturierung.............................................. 234 1.3. Auswahl der Outputs und Inputs und Datengrundlage.............................. 238 1.4. Auswahl einer geeigneten DEA-Spezifikation ........................................... 240 1.5. Auswertung der Ergebnisse ...................................................................... 241 1.5.1. Status quo: Die Customer Values der untersuchten Automobile .... 241 1.5.2. Strukturierung des Mittelklassewagenmarktes auf Basis der DEA-Ergebnisse............................................................................. 246 1.5.3. DEA-Befunde und Managementimplikationen für ausgewählte Teilmärkte ...................................................................................... 249 1.5.3.1. Teilmarkt 3 ........................................................................... 249 1.5.3.2. Self Evaluators..................................................................... 253 1.5.3.3. Beurteilung der Wettbewerbsstruktur auf Basis der DEA-Ergebnisse .................................................................. 254 1.5.4. Bestimmung effizienter Preise auf Basis der DEA-Ergebnisse....... 255 2. Studie zur Analyse der Markeneffizienz ............................................................ 258 2.1. Untersuchungsgegenstand und Problemstellungen.................................. 258 2.2. Auswahl der Outputs und Inputs und Datengrundlage.............................. 259 2.3. Auswahl einer geeigneten DEA-Spezifikation ........................................... 264 2.4. Auswertung der Ergebnisse ...................................................................... 264 2.4.1. Das Markeneffizienz-Ranking......................................................... 264 2.4.2. Identifizierung der Markeneffizienztreiber und erfolgreicher Markenführungsstrategien.............................................................. 267 2.4.3. Analyse der Overspendings ineffizienter Marken ........................... 272 3. Studie zur Analyse der Vertriebseffizienz.......................................................... 275 3.1. Untersuchungsgegenstand und Problemstellungen.................................. 275 3.2. Auswahl der Outputs und Inputs und Datengrundlage.............................. 276 3.3. Auswahl einer geeigneten DEA-Spezifikation ........................................... 279 3.4. Auswertung der Ergebnisse ...................................................................... 280 3.4.1. Auswertung auf Gesamtebene ....................................................... 280 3.4.1.1. Überblick über effiziente und ineffiziente Teams ................. 280 3.4.1.2. Identifizierung der generellen Ineffizienzursachen des Vertriebs .............................................................................. 284
XV 3.4.1.3. Identifizierung erfolgreicher Vertriebsstrategien................... 286 3.4.2. Auswertung auf Teamebene........................................................... 287 3.4.2.1. Analyse der Ist-Effizienz und Bestimmung der Referenzteams .................................................................... 287 3.4.2.2. Soll-Ist-Abweichungskontrolle und Analyse der Ursachen der Ineffizienz ...................................................................... 289 3.4.2.3. Ableitung von Zielvorgaben und Handlungsempfehlungen aus dem inputorientierten Modell........................................ 289 3.4.2.4. Ableitung von Zielvorgaben und Handlungsempfehlungen aus dem outputorientierten Modell...................................... 291 3.5. FDH als Alternativmodell zur Vertriebseffizienzanalyse? .......................... 293 4. Ein „Denken in Produktionsfunktionen“ als neue Perspektive im Marketing?.... 295 Literaturverzeichnis ............................................................................................. 301
XVII
Abbildungsverzeichnis Abbildung 1: Abbildung 2: Abbildung 3: Abbildung 4: Abbildung 5: Abbildung 6: Abbildung 7: Abbildung 8: Abbildung 9: Abbildung 10: Abbildung 11: Abbildung 12: Abbildung 13: Abbildung 14: Abbildung 15: Abbildung 16: Abbildung 17: Abbildung 18: Abbildung 19: Abbildung 20: Abbildung 21: Abbildung 22:
Dominanztest für die Einheiten des Zahlenbeispiels ........................ 22 Technologien und effiziente Einheiten für das Zahlenbeispiel bei unterschiedlichen Technologieeigenschaften................................... 28 Unterscheidung zwischen Technologie und Produktionsfunktion..... 30 Konzeptualisierung der Markeneffizienz........................................... 69 Wertfunktion der Prospect Theory .................................................... 94 Dimensionen des Benchmarking ...................................................... 98 Systematik von Verfahren der Effizienzmessung ........................... 105 Durchschnittsproduktionsfunktion der Regressionsanalyse ........... 111 Randproduktionsfunktion des deterministischen Ansatzes............. 115 Randproduktionsfunktion des stochastischen Ansatzes................. 118 Randproduktionsfunktionen der DEA ............................................. 123 Ermittlung der Effizienzmaße für Vergleichseinheit H bei CRS-Technologie ........................................................................... 126 Ermittlung der Effizienzmaße für Vergleichseinheit H bei VRS-Technologie 127 Ermittlung der Skalenineffizienz für Vergleichseinheit H ................ 130 Randproduktionsfunktion des Free-Disposable-Hull-Modells ......... 133 Inputorientierte Ermittlung der Effizienzwerte im Zwei-Input-EinOutput-Fall...................................................................................... 155 Outputorientierte Ermittlung der Effizienzwerte im Ein-InputZwei-Output-Fall ............................................................................. 160 Ermittlung des Supereffizienzwertes für I ....................................... 173 Auswirkungen von Messfehlern im Rahmen der DEA .................... 181 Bestimmung von allokativer und Kosteneffizienz im Rahmen der DEA.......................................................................................... 185 Identifikation von Teilmärkten mittels DEA ..................................... 236 Überblick über Ursachen der Gesamtineffizienz im Vertrieb .......... 284
XIX
Tabellenverzeichnis Tabelle 1: Tabelle 2: Tabelle 3: Tabelle 4: Tabelle 5: Tabelle 6: Tabelle 7: Tabelle 8: Tabelle 9: Tabelle 10: Tabelle 11: Tabelle 12: Tabelle 13: Tabelle 14: Tabelle 15: Tabelle 16: Tabelle 17: Tabelle 18: Tabelle 19: Tabelle 20: Tabelle 21: Tabelle 22: Tabelle 23: Tabelle 24: Tabelle 25: Tabelle 26: Tabelle 27: Tabelle 28: Tabelle 29: Tabelle 30: Tabelle 31: Tabelle 32: Tabelle 33: Tabelle 34:
Daten der fiktiven Vergleichseinheiten ................................................ 21 Makroökonomische Beiträge zur Marketingeffizienz ........................... 42 Beiträge zur aggregierten Marketingeffizienz ...................................... 51 Beiträge zur anbieterorientierten Produkteffizienz............................... 55 Beiträge zur nachfragerorientierten Produkteffizienz .......................... 58 Übersicht etablierter Markenwertmodelle ............................................ 63 Beiträge zur Preiseffizienz .................................................................. 72 Beiträge zur Promotioneffizienz .......................................................... 76 Beiträge zur Werbeeffizienz ................................................................ 83 Beiträge zur Vertriebseffizienz ............................................................ 87 Absolute und relative Effizienz im Ein-Input-Ein-Output-Fall ............. 125 Werte der Effizienzmaße für Vergleichseinheit H.............................. 129 Vergleich von DEA, FDH und SFA.................................................... 139 Klassische DEA-Anwendungsbereiche und ausgewählte Studien ... 147 Erweitertes Zahlengerüst für die fiktiven Marketingeinheiten ............ 154 Ergebnisse des primalen und dualen inputorientierten CCRModells.............................................................................................. 158 Ergebnisse des primalen und dualen inputorientierten BCCModells.............................................................................................. 165 Implikationen der DEA-Resultate für die Analyse der relativen Marketingeffizienz ............................................................................. 188 Empirische DEA-Studien zur aggregierten Marketingeffizienz .......... 192 Empirische DEA-Studien zur anbieterorientierten Produkteffizienz... 195 Empirische DEA-Studien zur technischen Produkteffizienz .............. 203 Empirische DEA-Studien zur marktorientierten Produkteffizienz....... 207 Empirische DEA-Studien zur Preiseffizienz ...................................... 212 Empirische DEA-Studien zur Kommunikationseffizienz .................... 219 Empirische DEA-Studien zur Distributionseffizienz ........................... 228 Deskriptive Statistik der Ausgangsdaten........................................... 240 Effizienzergebnisse für die untersuchten PKW-Varianten................. 243 Kreuzeffizienzen der effizienten PKWs ............................................. 246 Identifikation der Teilmärkte und zugehöriger Benchmarks .............. 247 Detailergebnisse für Teilmarkt 3........................................................ 250 Input- und Outputgewichte für Self Evaluators .................................. 254 Effiziente Preise für ausgewählte Modelle ........................................ 257 Deskriptive Statistik der Ausgangsdaten........................................... 264 Effizienzergebnisse der untersuchten Marken .................................. 266
XX Tabelle 35: Tabelle 36: Tabelle 37: Tabelle 38: Tabelle 39: Tabelle 40: Tabelle 41: Tabelle 42: Tabelle 43: Tabelle 44:
Input- und Outputgewichte der Marken ............................................. 268 Slacks der ineffizienten Marken ........................................................ 274 Overspendings der ineffizienten Marken........................................... 275 Deskriptive Statistik der Ausgangsdaten........................................... 279 Aufspaltung der Gesamteffizienz in technische und Skaleneffizienz .................................................................................. 282 Input- und Outputgewichte der Vertriebsteams ................................. 286 Referenzteams der ineffizienten Teams............................................ 288 DEA-Ergebnisse für das ineffiziente Vertriebsteam 11 ..................... 290 Potenzielle Umsatzsteigerungen bei operativer und strategischer Effizienz ............................................................................................ 292 FDH-Ergebnisse für ineffiziente Teams ............................................ 294
XXI
Abkürzungsverzeichnis ADAC AHP AIDA ANOVA AtA AVE BCC BEES CAD CAM CCR CE CEO CES COLS CRP CLV CRS DEA DFA DMU FDH FTE GRP I LISREL LP max MCDM min MPV NB OLS O pse ROBI ROI
Allgemeiner Deutscher Automobil Club Analytic Hierarchy Process Attention Interest Desire Action Analysis of Variance Attitude toward the Ad Average Cross Efficiency (Durchschnittliche Kreuzeffizienz) Banker/Charnes/Cooper Brand Equity Evaluation System Computer Aided Design Computer Aided Manufacturing Charnes/Cooper/Rhodes Cross Efficiency (Kreuzeffizienz) Chief Executive Officer Constant Elasticity of Scale Corrected Ordinary Least Squares Constant Returns to Performance Customer Lifetime Value Constant Returns to Scale (konstante Skalenerträge) Data Envelopment Analysis Deterministic Frontier Approach (Deterministischer Ansatz) Decision Making Unit Free Disposable Hull Full Time Equivalent Gross Rating Point Input Linear Structural Relationships Lineares Programm Maximiere Multi Criteria Decision Making Minimiere Multi Purpose Vehicle Nebenbedingung Ordinary Least Squares (Kleinste Quadrate) Output psycho-sozial-emotional Return on Brand Investment Return on Investment
XXII SERVQUAL SFA SRPT STABW SUV TQM TÜV USP V VRS
Service Quality Stochastic Frontier Approach (stochastischer Ansatz) Strategic Reference Point Theory Standardabweichung Sport Utility Vehicle Total Quality Management Technischer Überwachungsverein Unique Selling Proposition Virtuelle Referenzeinheit Variable Returns to Scale (variable Skalenerträge)
XXIII
Symbolverzeichnis aj
Allokative Effizienz der DMU j
A
Matrix zur Transformation der Inputdaten im Cone-Ratio-Ansatz
c
Zustand
d
Dominante DMU
D (I0 )
Menge dominanter DMUs für DMU 0 im inputorientierten Fall
e
Einheitsvektor
E
Erwartungswert
f (⋅)
F (⋅)
Dichtefunktion der Standard-Normal-Verteilung Kumulierte Verteilungsfunktion
G
Matrix zur Transformation der Outputdaten im Cone-Ratio-Ansatz
h0
Input-Effizienzwert der DMU 0 im primalen linearen Programm
i
Index der Inputarten
ID
Menge diskretionärer Inputs
I ND
Menge nicht diskretionärer Inputs
j
Index der Beobachtungen (DMUs)
kj
Kosteneffizienz der DMU j
l1
Anzahl beschränkter Outputs
l2
Anzahl beschränkter Inputs
m
Anzahl der Inputs
M0
Maverick-Index für DMU 0
n
P
Anzahl der Beobachtungen (DMUs) Matrix der absoluten Beschränkungen der Input-Gewichte
Q
Matrix der absoluten Beschränkungen der Output-Gewichte
r
Index der Outputarten Anzahl der Outputs
s s
−
Input-Slack
s+
Output-Slack
uˆ j
Ineffizienzterm der DMU j
ur
Gewicht des Outputs r im Quotientenprogramm
U CR
Konvexer Kegel zur Beschränkung der Outputgewichte
vi
Gewicht des Inputs i im Quotientenprogramm
vˆ j
Stochastischer Fehlerterm für DMU j
VCR
Konvexer Kegel zur Beschränkung der Inputgewichte
XXIV Virtuelle Referenzeinheit bei inputorientierter Betrachtung
VI VO
Virtuelle Referenzeinheit bei outputorientierter Betrachtung
VU
Virtuelle Referenzeinheit bei unorientierter Betrachtung
xi
Menge des Inputs i
X
Matrix der Inputs
yr
Menge des Outputs r
y *j
Effizientes Outputniveau von DMU j (Frontier-Output)
Y
Matrix der Outputs
zi
Exogen fixierter Wert des Gewichts des Inputs i
zr
Exogen fixierter Wert des Gewichts des Outputs r
α
Transformationsgewichte für Inputs im Cone-Ratio-Ansatz
β
Vektor der Funktionsparameter (Regression, DFA, SFA)
γ
Transformationsgewichte für Outputs im Cone-Ratio-Ansatz
δ0
Skaleneffizienzwert der DMU 0
ε
Residuum (Fehlerterm)
η
Quotient aus σ u und σ v
θ0
Input-Effizienzwert der DMU 0 im dualen linearen Programm
κ
Nicht archimedische Konstante
λj
Anteil der DMU j an der Referenzeinheit (Skalenniveaufaktor)
µr
Gewicht des Outputs r im linearen Programm
µ
Untere Schranke für den virtuellen Output r
r
µr
Obere Schranke für den virtuellen Output r
νi
Gewicht des Inputs i im linearen Programm
νi
Untere Schranke für das Gewicht des Inputs i
νi
Untere Schranke für den virtuellen Input i
ν it
Untere Schranke für das Verhältnis der Gewichte der Inputs i und t
νi
Obere Schranke für das Gewicht des Inputs i
νi
Obere Schranke für den virtuellen Input i
ν it
σ
Obere Schranke für das Verhältnis der Gewichte der Inputs i und t Standardabweichung
σu
Standardabweichung des Ineffizienzterms u j
σv
Standardabweichung des Fehlerterms v j
Τ
Technologiemenge
φ0
Output-Effizienzwert der DMU 0
1
A
Einführung
1.
Zunehmender Effizienzdruck im Marketing - Doing more with less
1.1.
Marketingeffizienz im Lichte von Performance Measurement und Wertorientierung
Unternehmen sehen sich, speziell in wirtschaftlich angespannten Zeiten, zunehmend unter Performancedruck. Sie sind mit steigenden Marketingkosten konfrontiert, die seit den vierziger Jahren von durchschnittlich 20 auf heute über 50 % der Unternehmenskosten gestiegen sind.1 Gleichzeitig stellen Kunden immer höhere Ansprüche an die Leistungen und sind dabei weniger bereit, entsprechende Preise zu zahlen. Diese „Leistungszange“ wird umso brisanter, da Einsparpotenziale in den meisten operativen Unternehmensbereichen wie Produktion und Logistik weitgehend ausgeschöpft sind.2 Um ein Überleben zu sichern, werden auch diejenigen Unternehmensbereiche verstärkt auf Potenziale zur Produktivitätssteigerung hin untersucht, die aufgrund der Erstellung intangibler Leistungen bisher kaum Gegenstand quantitativer Untersuchungen waren. Hierzu gehört insbesondere das Marketing, dessen Instrumente und Aktivitäten vom Top Management vieler Unternehmen bislang als „financially unaccountable“3 betrachtet wurden. In jüngster Zeit stehen Manager jedoch zunehmend in der Pflicht, den Return on Marketing, d.h. den Wertbeitrag der Marketinginvestitionen, nachzuweisen, um Budgets zu legitimieren.4 Durch die Einführung entsprechender Controllingsysteme sollen Fehlallokationen von Ressourcen aufgedeckt und durch Verbesserungsmaßnahmen behoben werden. Entsprechend erfährt das Thema zunehmende Aufmerksamkeit in Marketingwissenschaft und -praxis. Dies lässt sich an der Forschungsagenda des Marketing Science Institutes ablesen, das die Suche nach adäquaten Performancemaßen und die Messung der Marketingproduktivität als Top Research Priority einstuft.5 Die Messung und Analyse der Leistungsfähigkeit im Marketing ist Aufgabe des Performance Measurement als einem Teilbereich des Marketingcontrollings. Hierunter sind auf Kennzahlen beruhende Systeme zur Beurteilung von Objekten, Prozessen und Funktionen mit dem Ziel der nachhaltigen Leistungsverbesserung zu verstehen.
1 2 3 4 5
Vgl. Bush/Smart/Nichols (2002), S. 343; Shaw (2001), S. 302. Vgl. Bauer (2000), S. 3 f.; Homburg/Schneider/Schäfer (2003), S. 4. Rust/Lemon/Zeithaml (2004), S. 109. Vgl. Rust/Lemon/Zeithaml (2004), S. 109; Rust et al. (2004), S. 77. Vgl. Marketing Science Institute (2002), S. 4.
2 In der Literatur werden seit geraumer Zeit zahlreiche Performance-MeasurementKonzepte vorgeschlagen, die jedoch eine Reihe von Schwächen aufweisen.6 Häufig betrachten klassische Performancemaße entweder die Input- oder die Outputseite isoliert und bringen diese nicht systematisch in einen ökonomischen Zusammenhang. Ein umfassendes Verständnis der Marketingperformance muss aber die Outputs - Ergebnisse bzw. Wirkungen der Marketingaktivitäten - zu den Inputs dafür eingesetzte Ressourcen - in Relation setzen. Zur Quantifizierung der Performance von Marketingmaßnahmen stellt die Effizienz, welche als Output-InputVerhältnis definiert ist, ein überlegenes Konzept dar.7 Das Effizienzkonzept wird daher in dieser Arbeit als Performancemaßstab verwendet. Ein weiteres Problem besteht in der häufigen Fokussierung auf monetäre Erfolgsgrößen wie Gewinn, Deckungsbeitrag oder Umsatz. Dies wird der Multidimensionalität der Leistungsprozesse im Marketing nicht gerecht. Gerade hier ist es nicht immer möglich, die Performance monetär zu bewerten, da oftmals Preise der Inputs und v.a. Outputs (wie Loyalität, Kundenzufriedenheit, Markenbekanntheit) unbekannt sind bzw. gar nicht existieren. Das Konzept der Effizienz als Verhältnis von Outputs zu Inputs ist hingegen allgemein gefasst und ermöglicht die Integration aller relevanten Bewertungskriterien des Wertschöpfungsprozesses, zu denen neben monetären Größen auch qualitative Größen gehören. Ein viel diskutiertes Performance-Measurement-Konzept, welches den Anspruch erhebt, rein monetäre Kennzahlensysteme zu ergänzen, stellt die Balanced Scorecard dar. Hier werden finanzielle und nicht finanzielle Leistungsindikatoren aus interner Perspektive (Mitarbeiter, Prozesse) und externer Perspektive (Kunden, Shareholder) ausgewogen nebeneinander gestellt.8 Der Detaillierungsgrad derartiger Kennzahlensysteme erweist sich jedoch oftmals als zu hoch, v.a. wenn eine Vielzahl von Objekten, etwa ein Netz von Vertriebsteams oder eine Vielzahl von Produkten oder Marken, zu evaluieren sind. Hier ist zur Komplexitätsreduktion eine Methode erforderlich, die mehrere Einzelkennzahlen auf der Input- und Outputseite aggregiert und in eine einzige Effizienzkennzahl transformieren kann, die eine Aussage über die Gesamtperformance erlaubt.9 Dabei ist auch die Betrachtung eindimensionaler Output-InputVerhältniskennzahlen, wie dies bei der Analyse sog. Teilproduktivitäten erfolgt, für eine ganzheitliche Leistungsbeurteilung und die Ermittlung der relativen Bedeutung der Kennzahlen untereinander ungeeignet.
6
7 8 9
Vgl. Bhargava/Dubelaar/Ramaswami (1994), S. 235; Horváth (2005), S. 587 f.; Neely et al. (1995), S. 80 f.; Reinecke (2004), S. 134 ff. Vgl. Morgan/Clark/Gooner (2002), S. 363; Neely (2004), S. 5; Vorhies/Morgan (2003), S. 103. Vgl. Kaplan/Norton (1997); Reinecke (2004), S. 108 ff. Vgl. Scheel (2000), S. 2 f.
3 Im Marketing mangelt es bislang an Arbeiten, die leistungsfähige Methoden vorschlagen, welche die genannten Schwächen vermeiden. Um aussagekräftige und umsetzbare Ergebnisse und Handlungsempfehlungen zu liefern, ist eine quantitativ fundierte Methode wünschenswert, welche die Identifizierung systematischer Ineffizienzen erlaubt. Eine hohe Akzeptanz in der Praxis wird gefördert, wenn es möglich ist, Leistungslücken und resultierende Handlungsempfehlungen zu quantifizieren. Es sollte ausgewiesen werden können, wie stark die Leistungsparameter zu verändern, d.h. Inputs zu senken und/oder Outputs zu erhöhen sind, um effizient zu werden. Zugleich sollten die ermittelte Ineffizienz und entsprechend aufgedeckte Verbesserungspotenziale stets auf eine vergleichbare Referenzeinheit bezogen werden, die eine ähnliche Technologie („Strategie“) einsetzt, um Inputs in Outputs zu transformieren. Es sind folglich Benchmarkingaspekte in die Bestimmung der (In)Effizienz zu integrieren, um eine faire und realistische Performancebewertung sicherzustellen. Die Betrachtung der Produktivität von Systemen der Input-Output-Transformation ist Gegenstand der Produktionstheorie. In einer generischen Konzeption, welche in ihren Grundzügen bereits von Gutenberg vertreten wird, lassen sich auch Marketingaktivitäten als Transformationsprozesse beschreiben. Hier werden Marketinginputs in Form der vier absatzpolitischen Instrumente kombiniert, um bestimmte Outputs in Form von Marktstatus- und Marktergebnisgrößen zu erzeugen.10 Eine produktionsökonomische Fundierung des Marketing erlaubt daher zahlreiche Erkenntnisse und Implikationen, die mit klassischen Methoden nicht erlangt werden können. Sie ermöglicht durch Formalisierung des Input-Output-Zusammenhangs das Aufdecken von Verbesserungspotenzialen, die durch den Abstand zur Produktionsfunktion quantifiziert werden. Diese Rückbesinnung auf ein breites Produktionsverständnis wird gerade in der aktuellen Literatur verstärkt gefordert. Es wird dem Stellenwert der Produktionstheorie als „Mutter der Betriebswirtschaftslehre“ gerecht.11 Es erscheint daher geboten, die produktionsökonomisch fundierten Verfahren der Effizienzanalyse auf ihre Eignung zum Einsatz im Marketing zu untersuchen. In Bezug auf diese Verknüpfung von Marketing und Produktionstheorie lassen sich einige Forschungslücken erkennen, zu deren Schließung die folgende Arbeit beiträgt: Es fehlt bislang eine systematische Bestandsaufnahme moderner, quantitativ ausgerichteter Verfahren der Effizienzmessung, die für das Marketing prinzipiell anwendbar sind. Es besteht ferner Bedarf an einer theoretisch und methodisch begründeten Auswahl des für das Marketing am besten geeigneten Verfahrens. Schließlich muss dessen Übertragung auf das Marketing erfolgen, um eine Interpretation der Resultate
10 11
Vgl. Gutenberg (1955), S. 238. Vgl. Dyckhoff (2003), S. 706.
4 zur Ableitung von Erkenntnissen und Handlungsimplikationen für das Marketingmanagement zu ermöglichen.
1.2.
Forschungsfragen und Gang der Arbeit
Im Rahmen dieser Arbeit soll die Aussagekraft verschiedener Methoden der Effizienzmessung für das Marketing untersucht werden, um darauf aufbauend ein geeignetes Verfahren auszuwählen, umfassend darzustellen und anzuwenden. Um dies zu erreichen, verfolgt die Arbeit die folgenden Forschungsziele. Zuerst zielt die Arbeit darauf ab, die Effizienz als aussagekräftigen Performancemaßstab vorzustellen sowie eine begriffliche Klarheit durch Abgrenzung zu verwandten Begriffen zu schaffen. Dies wird als eigenständiges Ziel formuliert, da der Begriff v.a. in der Praxisliteratur oft inflationär für unterschiedlichste Sachverhalte verwendet wird. In der Übertragung des Effizienzkonzeptes ins Marketing besteht eine zweite Zielsetzung der Arbeit. Hierfür gilt es, die Bezugsobjekte der Effizienzanalyse im Marketing sowohl auf aggregierter (strategischer) als auch disaggregierter (operativer, instrumentenbezogener) Ebene herauszuarbeiten. Für jeden Bereich müssen die relevanten Inputs und Outputs identifiziert werden. Insbesondere soll der Blick dafür geschärft werden, dass auch Marketingeinheiten (Vertrieb, Markenmanagement etc.) als produktive Systeme zu betrachten sind. Als drittes Untersuchungsziel wird die Auswahl eines für das Marketing geeigneten Verfahrens der Effizienzanalyse festgehalten. Hierfür sind die etablierten produktionstheoretischen Verfahren vor dem Hintergrund der Anforderungen an ein aussagekräftiges Instrument der Marketing-Performance-Analyse zu bewerten. Im Verlauf der Untersuchung wird herausgearbeitet, dass sich von diesen Verfahren insbesondere die Data Envelopment Analysis (DEA) für einen breiten Einsatz im Marketing eignet. Mit der DEA wird eine Randproduktionsfunktion der besten Einheiten (Frontier Function) bestimmt, die als Referenzmaßstab für die Effizienzbewertung dient. Durch den Ausweis einer relativen Effizienz wird ein Benchmarking explizit in die Performancebewertung integriert. Damit wird sie der Forderung nach Markt- und Wettbewerbsorientierung als den zentralen Kennzeichen moderner Unternehmensführung gerecht. Anschließend ist die ausgewählte Methode der Effizienzbewertung formal vorzustellen, wodurch die vierte Zielsetzung der Arbeit beschrieben wird. Hierbei wird großer Wert auf den didaktischen Aspekt gelegt. Durch Verwendung eines durchgehenden Zahlenbeispiels und grafischer Veranschaulichungen der Vorgehensweise der Effizienzmessung mittels DEA sollen die komplexen mathematischen Zusammenhänge
5 verständlich gemacht werden. Es wird hier gezeigt, dass der zentrale Vorteil der DEA darin besteht, multiple Inputs und Outputs bei der Konstruktion der Randfunktion simultan berücksichtigen zu können. Dabei sind die Gewichte, mit denen die Inputs und Outputs in die Bestimmung des Effizienzwertes eingehen, flexibel. Auf diese Weise wird eine individuelle Effizienzoptimierung jeder untersuchten Einheit sichergstellt. Durch eine Bewertung in Bezug auf ähnliche Marketingeinheiten, die einen vergleichbaren Input- bzw. Output-Mix einsetzen, lassen sich die Ursachen der festgestellten Ineffizienz identifizieren und realistische Verbesserungspotenziale aufdecken. Durch eine vergleichende Effizienzbewertung kann zudem bestimmt werden, welche Einheiten (z. B. Vertriebsteams) wie stark für eine insgesamt festgestellte Leistungslücke verantwortlich sind, wodurch der geforderten Accountability Rechnung getragen wird. Mit dem empirischen Teil wird die fünfte Zielsetzung der Arbeit verfolgt, welche darin besteht, die Aussagekraft der DEA zur Messung, Analyse und Gestaltung der Marketingperformance zu belegen. Dies erfolgt anhand dreier Anwendungen in den Bereichen Produkt-, Marken- und Vertriebsmanagement. Zur Umsetzung des Forschungsvorhabens findet nach dieser Einleitung in Teil B der Arbeit eine Abgrenzung der mit dem Effizienzbegriff eng zusammenhängenden Begriffe Produktivität und Effektivität statt (Kapitel B-1). Auf der Suche nach geeigneten Verfahren wird dann die Vorgehensweise der Effizienzmessung dargestellt, deren Grundlagen der Produktionstheorie entstammen (Kapitel B-2). Hier zeigt sich, dass gerade im Marketing eine Ergänzung um entscheidungstheoretische Erkenntnisse notwendig ist. Anschließend erfolgt eine umfassende Konzeptualisierung der Marketingeffizienz (Kapitel B-3). Nachdem das theoretische Fundament gelegt und der Untersuchungsgegenstand präzisiert wurden, widmet sich Teil C den Vorarbeiten, die notwendig sind, um eine Methode der Effizienzmessung im Marketing vorschlagen zu können. Hierzu wird zunächst herausgestellt, dass eine sinnvolle Leistungsbewertung grundsätzlich relativ erfolgen muss. Es wird argumentiert, dass das produktionsökonomische Grundprinzip der relativen Effizienzanalyse mit dem im (Marketing-)Management weit verbreiteten Konzept des Benchmarking eng verwandt ist (Kapitel C-1). Nach Darstellung traditioneller, kennzahlenbasierter Verfahren der relativen Effizienzmessung nimmt die Diskussion der modernen, auf der Schätzung von Produktionsfunktionen basierenden Methoden einen breiten Raum ein. Hier werden sowohl parametrische als auch nicht parametrische Techniken behandelt und deren Vorgehensweisen, Besonderheiten und Beschränkungen diskutiert (Kapitel C-2). Zum Abschluss des Teils C erfolgt nach Abwägung der Stärken und Schwächen aller Verfahren die Begründung dafür, dass die DEA als Methode für eine Performancebewertung im Marketing
6 zu bevorzugen ist. Das Kapitel C-2 soll den Leser zudem für eine kritische Betrachtung des Regressionsparadigmas sensibilisieren, welches sich lediglich an durchschnittlich leistungsfähigen Einheiten (Average Practice) orientiert. Gegenstand von Teil D ist die DEA, welche dem Frontier-Paradigma folgt. Nach Herleitung und Veranschaulichung der Grundmodelle werden deren Beschränkungen diskutiert und Weiterentwicklungen zur Behebung der Probleme dargestellt (Kapitel D-1). Die meisten der dort vorgestellten Modelle bzw. Modellvarianten werden im Rahmen der empirischen Untersuchungen angewendet. Teil D vermittelt außerdem einen Überblick über existierende DEA-Studien im Marketing (Kapitel D-2). Insgesamt wird deutlich, dass die DEA bisher kaum im Marketing eingesetzt wurde. So war etwa der Bereich des Markenmanagements überhaupt noch nicht Gegenstand von Effizienzuntersuchungen. Auch bzgl. der anderen marketingpolitischen Instrumente kann noch nicht von einer etablierten Forschungsrichtung gesprochen werden. Basierend auf den identifizierten Forschungslücken werden drei Anwendungsobjekte ausgewählt, die Gegenstand der nachfolgenden empirischen Untersuchungen sind. Der letzte Teil der Arbeit (Teil E) verfolgt das Ziel, die Aussagekraft der DEA für das Marketingcontrolling nachzuweisen. Im Rahmen der Produktpolitik wird die Effizienz von Mittelklasse-Automobilen aus Nachfragersicht untersucht, die sich als Maß für den Customer Value verstehen lässt. Auf Basis der identifizierten Strategien der Customer-Value-Generierung werden Teilmärkte abgegrenzt (Kapitel E-1). Die Untersuchung zur Analyse der Marken(führungs)effizienz soll verdeutlichen, welchen Beitrag die DEA leisten kann, um etwa Overspendings für Markenführungsinstrumente aufzudecken (Kapitel E-2). Als letztes Untersuchungsobjekt werden Vertriebsteams herangezogen (Kapitel E-3). Hier werden durch den Vergleich der Ergebnisse unterschiedlicher DEA-Modelle Aussagen über die Skalenerträge der Vertriebsteams getroffen, die zeigen, ob eine Effizienzsteigerung durch Veränderung der Größe der Vertriebsteams möglich ist. Im abschließenden Kapitel (E-4) wird zusammengefasst, inwieweit eine Effizienzanalyse auf Basis produktionstheoretisch fundierter Methoden die eingangs geschilderten Nachteile klassischer Performance-Measurement-Ansätze vermeiden kann. Neben den Implikationen für die Managementpraxis werden offene Fragen der Marketingproduktivitätsforschung identifiziert.
7
B
Konzeptionelle und theoretische Grundlagen der Effizienzanalyse
1.
Begrifflich-konzeptionelle Grundlagen der Effizienzanalyse
1.1.
Abgrenzung von Produktivität, Effizienz und Effektivität
In der Literatur werden die Begriffe Produktivität, Effizienz und Effektivität teilweise ohne eine präzise Definition und Abgrenzung benutzt.12 Im einfachsten Verständnis werden alle drei Begriffe synonym verwendet. Häufiger werden jedoch die Begriffe Effizienz/Produktivität als austauschbar angesehen und gegenüber dem Begriff der Effektivität abgegrenzt. Teilweise werden aber auch alle drei Begriffe differenziert. Die verschiedenen Sichtweisen bzgl. dieses „Begriffs-Dreiklangs“ sollen im Folgenden strukturiert und das dieser Arbeit zu Grunde liegende Verständnis geklärt werden. Gerade in der Wirtschaftspraxis und –presse degenerieren die Begriffe nicht selten zu Worthülsen, die beliebig mit den subjektiv als passend angesehenen Bedeutungen gefüllt werden. Meist werden alle drei mehr oder weniger austauschbar als Synonym für allgemeine Konzepte wie Erfolg, Profitabilität oder Wettbewerbsvorteil verwendet ohne diese weiter zu präzisieren.13 Dies, obwohl in der wissenschaftlichen Literatur zumindest bei der Definition des Effizienz- und Effektivitätsbegriffes noch relativ große Übereinstimung besteht. So hat sich das Verständnis von Effizienz als Verhältnis von tatsächlich erreichten Outputs zu den tatsächlich verwendeten Inputs fest etabliert und ist gesetztes Wissen in den wirtschaftswissenschaftlichen Disziplinen.14 Effizienz reflektiert somit das ökonomische Prinzip und impliziert, angestrebte Ziele mit sparsamstem Mitteleinsatz zu erreichen bzw. mit gegebenem Mitteleinsatz die Zielerreichung zu maximieren.15 Eine Maßnahme ist folglich genau dann effizient, wenn die „…verursachte Zustandsveränderung ohne Verschwendung geschieht, d.h. eine weitergehende Zustandsverbesserung nur noch durch anderweitige Verschlechterung, d.h. die Erhöhung mindestens eines Inputs möglich wäre.“16 Die Bewertung der Effizienz produktiver Einheiten ist stets abhängig von der verwendeten Produktionstechnologie und von den Umweltbedingungen. Hierauf wird in Kapitel B-2 ausführlich eingegangen. Wird der Effizienzbegriff in der Praxis überhaupt eigenständig
12 13 14 15 16
Für Beispiele vgl. Bohr (1993), S. 855; Lasslop (2003), S. 8 und Parsons (1994), S. 182. Vgl. Steffenhagen (2003), S. 83. Vgl. Debreu (1951); Farrell (1957); Koopmans (1951). Vgl. Dyckhoff (2000); Steffenhagen (2003), S. 84. Dyckhoff/Ahn (2001), S. 112.
8 verwendet, dann meist nur unter Betrachtung der Outputseite, eine Verbindung zu den eingesetzten Inputs unterbleibt jedoch oft.17 In Abgrenzung zum Effizienzbegriff soll unter Effektivität lediglich der Grad der Zielerreichung verstanden werden, vom Umfang des zur Erreichung des Ziels notwendigen Ressourceneinsatzes wird also vollständig abgesehen.18 Während Effizienz immer eine Zweck-Mittel-Relation (Output-Input-Relation) widerspiegelt, beinhaltet Effektivität nur eine Output-Output-Relation und bildet den Grad der Übereinstimmung zwischen gewünschten Soll-Outputs (Zielvorgaben) und tatsächlichen Ist-Outputs (erreichte Zielwirkung) ab. Effektivität stellt damit den Aspekt der Wünschbarkeit í desirability í der Outputs in den Vordergrund und beschreibt die Wirksamkeit von Maßnahmen zur Erreichung erwünschter quantitativer und qualitativer Ziele.19 Viel größere Verwirrung besteht bei der Frage, in welchem Zusammenhang der Begriff der Produktivität zu den Begriffen Effizienz und Effektivität steht. Als Beleg für die unklare oder sogar tautologische Verwendung der Begriffe Produktivität und Effizienz sei Bucklin angeführt, wonach „…the productivity ratio…measures the efficiency with which the resources are employed…“20. Solche Definitionen sind für eine Abgrenzung beider Begriffe wenig hilfreich. In der Literatur haben sich drei Auffassungen herauskristallisiert. Ein großer Forschungsstrom verwendet Produktivität synonym mit Effizienz und sieht beide Begriffe ganz allgemein nur als Output-Input-Quotient, wobei keine Einschränkungen bzgl. der Art der in den Quotienten einfließenden Inputund Outputgrößen (Mengen- vs. Wertgrößen) postuliert werden.21 Hier werden Effizienz bzw. Produktivität breit konzeptualisiert und als Beziehung zwischen Zielerreichung und allen eingesetzten Mitteln verstanden. Eine zweite Richtung von Definitionsansätzen sieht weiterhin beide Konzepte als Output-Input-Verhältnis. Allerdings wird nun eingeschränkt, dass in ein Produktivitätsmaß lediglich physische Größen eingehen, während ein Effizienzmaß ausschließlich aus monetären Input- und Outputgrößen gebildet wird.22 In dieser Fassung wird der Begriff der Produktivität definiert als Quotient von Ausbringungsmenge und Faktoreinsatzmengen(kombinationen) und ist als ein technisches (mengenmäßiges) Ergiebigkeitsmaß zu interpretieren. Effizienz hingegen ist dann als Relation von Erträgen und Aufwen-
17
18 19 20 21 22
Es lassen sich zahlreiche Artikel finden, in deren Überschriften der Begriff Effizienz enthalten ist, ohne dass irgendwo von Inputs und Outputs, geschweige denn von Output-Input-Verhältnissen explizit oder auch nur im übertragenen Sinne die Rede ist. Eine präzise und korrekte Begriffsverwendung sucht man in der Regel vergeblich. Vgl. exemplarisch die zahlreichen „Effizienz“-Artikel in den letzten Jahrgängen einschlägiger Praxis-Transfer-Zeitschriften wie Absatzwirtschaft, Marketing Journal, Horizont oder Planung & Analyse. Vgl. Steffenhagen (2003); Westermann/Pröll/Cantner (1996), S. 77. Vgl. Daum (2001), S. 9; Kleemann/Hammerschmidt (2006a), S. 250; Parsons (1994), S. 169. Bucklin (1978a), S. 2. Vgl. Bohr (1993), S. 855; Lasslop (2003), S. 8; Parsons (1994), S. 182. Vgl. Bucklin (1978a), S. 2; Corsten (2004), S. 43.
9 dungen im Sinne von Wirtschaftlichkeit definiert.23 Beide bisherigen Definitionsrichtungen repräsentieren ein ausschließlich quantitatives Verständnis von Produktivität. In der neuesten Zeit kristallisiert sich v.a. im Marketing eine dritte Strömung heraus, die Produktivität als zweidimensionales Konzept versteht, in das Effizienz und Effektivität als Teilaspekte eingehen.24 Hier ist Produktivität nicht mehr ein Verhältnis von tatsächlichen Outputs zu tatsächlichen Inputs, sondern eine Relation zwischen erwünschten Outputs und Inputs von Aktivitäten.25 Damit fließen strategische bzw. planerische Aspekte in die Ermittlung der Produktivität ein. Diese breite Konzeptualisierung der Produktivität führt zu einem Maß der Gesamtleistung (overall performance) eines Unternehmens und beinhaltet sowohl eine qualitative als auch eine quantitative Evaluierung der Outputs und Inputs. Produktivität ist dann als „effektive Effizienz“ oder „effiziente Effektivität“ zu verstehen. Übertragen auf das Marketingmanagement hieße dies etwa, zufriedene Kunden durch überlegene Nutzenstiftung zu schaffen (Marketing ist effektiv) und dafür niedrige Marketingkosten einzusetzen (Marketing ist effizient).26 In Anbetracht der hohen Subjektivität und somit einer sehr schwierigen Messbarkeit eines zweidimensionalen Produktivitätsmaßes, in welches auch qualitative Effektivitätsüberlegungen einfließen, folgt die vorliegende Arbeit der Literaturrichtung, die Produktivität und Effizienz als synonym betrachtet. Dabei werden sowohl wert- als auch mengenmäßige Input- und Outputarten einbezogen, wobei unter mengenmäßige Inputs und Outputs auch qualitative Größen fallen. Der zentrale Stellenwert der Wünschbarkeit der Ergebnisse für die Bewertung der Effektivität zeigt, dass Effektivität ein subjektives und nicht so deutlich abgrenzbares Konzept wie die Effizienz darstellt.27 Es kann aufgrund der Vielfalt der Marketing- und Unternehmensziele nur unter Kenntnis organisations- und marktspezifischer Gegebenheiten sinnvoll bestimmt werden. Die grundlegend unterschiedliche inhaltliche Ausrichtung beider Konzepte impliziert, dass jeweils andere Managementebenen bzw. Organisationseinheiten für die Steuerung dieser beiden Performancedimensionen zuständig sind. Effektivität ist im Sinne eines „doing the right things“ strategisch ausgerichtet und eine Voraussetzung für das langfristige Überleben eines Unternehmens.28 Effizienz ist im Sinne eines „doing things right“ hingegen eher operativ ausgerichtet und Voraussetzung für die Wahrung des ökonomischen Prinzips, das eine verschwendungsfreie Ressourcennutzung und 23 24
25 26 27 28
Vgl. Hoitsch (1993), S. 23 f. Vgl. Daum (2001), S. 8 f.; Golany et al. (1990), S. 90; Neely et al. (1995), S. 80; Parsons (1994), S. 169 ff. Vgl. Sheth/Sisodia (1995a), S. 11. Vgl. Kleemann (2004), S. 14 f.; Sheth/Sisodia (2002), S. 349. Vgl. Mosley/Schütz/Schmid (2003), S. 25. Vgl. Drucker (1974), S. 45; Hofer/Schendel (1984), S. 2.
10 somit das wirtschaftliche Überleben eines Unternehmens sicherstellt.29 Es macht daher Sinn, Effizienz und Effektivität als getrennte Konzepte zu betrachten. So ist auch zu argumentieren, dass das Streben nach Effektivität, d.h. die Verfolgung langfristig gewünschter (richtiger) Ziele, irrelevant ist, wenn das Unternehmen aufgrund von Verschwendung kurzfristig nicht überleben kann. „[B]ecause these two dimensions of performance may not converge and can even be inversely related in the short run, firms make important trade off decisions in emphasizing either effectiveness or efficiency in their marketing goal setting and resource allocation.”30
1.2.
Differenzierte Effizienzkonzepte
1.2.1.
Totale und partielle Effizienz
In der Literatur wird zwischen Gesamtproduktivität und Teilproduktivitäten unterschieden. Eine Produktivitätskennzahl, die alle Inputfaktoren einer Aktivität (Einsatzfaktoren) einbezieht, wird als totale Faktorproduktivität bezeichnet.31 Die Bestimmung dieser Kennzahl erfordert eine Gewichtung der Inputs xi mit einem Gewicht vi (i = 1,…,m), wie die folgende Formel verdeutlicht. (1)
Totale Faktorproduktivität =
y v 1x1 + v i xi + ... + v m xm
Der Nenner ist hier ein gewichteter Durchschnitt aller eingesetzten Ressourcen. Zeichnet sich der Produktionsprozess zudem auch durch die Produktion mehrerer Outputs aus, so sind diese ebenfalls zu gewichten und zu aggregieren. Die Produktivität, die dann üblicherweise als multiple input/multiple output productivity bezeichnet wird, versteht sich als Verhältnis von gewichteten Outputs zu gewichteten Inputs. Die Bestimmung solcher Kennzahlen stößt in der Praxis jedoch oft auf die Schwierigkeit, dass sich die Input- und Outputseite in der Regel aus heterogenen Faktoren zusammensetzen, deren Einsatzmengen sich aufgrund verschiedener Dimensionen, Qualitäten etc. nicht einfach zu einem Gesamtinput addieren lassen.32 Zudem müssen die Gewichte festgelegt werden, was in der Praxis insbesondere bei Fehlen objektiver Bewertungen in Form von Input- bzw. Outputfaktorpreisen mit großen Schwierigkeiten verbunden ist. Um diese Probleme zu umgehen, greift man zumeist auf Teilproduktivitäten (auch: partielle Faktorproduktivitäten) wie etwa Arbeits- oder Kapitalproduktivität zurück, die die Beziehungen zwischen einem Input und einem Output be-
29 30 31 32
Vgl. Dellmann/Pedell (1994), S. 25; Dyckhoff/Ahn (2001), S. 112. Vorhies/Morgan (2003), S. 103. Vgl. Coelli et al. (2005), S. 3; Parsons (1994), S. 173. Vgl. Corsten (2004), S. 43; Gutenberg (1975), S. 311.
11 schreiben.33 Die Teilproduktivität eines bestimmten Inputs i ist durch das Verhältnis der Ausbringungsmenge y zu der Einsatzmenge des Inputs ( xi ) definiert, d.h. durch: (2)
Partielle Faktorproduktivität =
y . xi
Die partielle Faktorproduktivität gibt somit an, wie viele Einheiten des Outputs pro Einheit des Inputs i produziert werden. Bei isolierter Betrachtung sind die Teilproduktivitätsmaße jedoch für eine Indikation der Gesamtproduktivität untauglich. Außerdem können Ursachen für Produktivitätsveränderungen nicht exakt lokalisiert werden. Unter Umständen werden Outputveränderungen fälschlicherweise nur dem betrachteten Einsatzfaktor zugeschrieben. Bei strukturellen Veränderungen des Wertschöpfungsprozesses könnte dies zu Fehlentscheidungen führen.34 Die Problematik der Gewichtung und Aggregation der Inputs und Outputs zur Messung der Gesamtproduktivität wird ausführlich im Rahmen dieser Arbeit diskutiert. Sie wird wesentlich die Auswahl eines geeigneten Verfahrens zur Effizienzmessung im Marketing bestimmen.
1.2.2.
Absolute und relative Effizienz
Die Ermittlung der absoluten Effizienz ist möglich, wenn technische Standards oder Normen existieren, die festlegen, wie und wo im Input-Output-Raum die wahre, objektiv richtige Produktionsfunktion verläuft und welches Output-Input-Verhältnis theoretisch maximal erreichbar ist. Aktivitäten, die auf dieser (in der Regel aber unbekannten) Produktionsfunktion liegen und somit die maximal mögliche Effizienz erreichen, werden als absolut effizient bezeichnet.35 Bei Vorhandensein von Standards kann unabhängig von beobachteten Aktivitäten eine Aussage über die Effizienz getroffen werden. Ein Effizienzwert wäre dann auch in dem Extremfall bestimmbar, in dem keine alternativen Aktivitäten existieren. Möglicherweise sind solche theoretisch möglichen Beziehungen zwischen Inputs und Outputs dann fiktiv und in der Realität nicht erreichbar.36 Ist die einer betrachteten Aktivität zu Grunde liegende „Technologie“ der InputOutput-Transformation jedoch unbekannt, was außerhalb des Fertigungsbereichs den Regelfall darstellen dürfte, so kann die Effizienz von Aktivitäten nur in Bezug zu33
34 35 36
Vgl. Hoitsch (1993), S. 23; Parsons (1994), S. 173. Einsatzfaktoren werden klassischerweise in Arbeit, Boden und Kapital inkl. Humankapital (sowie evtl. Material) unterschieden; vgl. Gutenberg (1975), S. 28. Vgl. Dellman/Pedell (1994), S. 17 f. Vgl. Cook/Johnston/McCutcheon (1992), S. 230; Kreuder (2003), 24 f. Vgl. Dyckhoff (1993), Sp. 63.
12 einander bestimmt werden.37 Eine Aktivität wird dann durch die Gegenüberstellung zu irgendeiner beobachteten Referenzaktivität als effizient oder ineffizient bezeichnet. In diesem Fall ist Effizienz ein relatives Konzept, da Effizienzaussagen für eine Menge von Einheiten nur noch über den Vergleich der Produktivitätskennzahlen dieser Einheiten getroffen werden können.38 Daraus wird deutlich, dass dem ökonomischen Konzept der Effizienz, da es fast ausschließlich nur als relative Effizienz bestimmbar ist, eine Benchmarkingorientierung inhärent ist. Hier zeigt sich eine enge Verbindung von ökonomischer Theorie und Betriebswirtschaftslehre. Relative Ineffizienz gibt damit an, wie viel besser die Referenzeinheit abschneidet, d.h. wie viel mehr Output diese für denselben Input erzeugt bzw. wie viel weniger Inputs diese benötigt, um denselben Output zu produzieren. Die Input- und Outputwerte des Vergleichsmaßstabes können als Zielvorgaben für ineffiziente Einheiten dienen, anhand derer Leistungslücken identifizierbar sind. Dies impliziert, dass eine Input-OutputBeziehung regelmäßig nur empirisch ermittelt, d.h. auf Basis der Daten der beobachteten Realisationen geschätzt werden kann. Zur Effizienzbewertung müssen daher Aktivitäten herangezogen werden, die die gleiche Technologie zur Input-OutputTransformation und die gleichen Arten von Inputs und Outputs einsetzen.39 Vergleichsmaßstäbe können dabei zum einen verschiedene Aktivitäten derselben Wertschöpfungseinheit in verschiedenen Zeitperioden sein (z.B. verschiedene Besuchstouren eines Vertriebsteams oder verschiedene Promotionmaßnahmen für ein Produkt). Zum anderen können Aktivitäten verschiedener Einheiten innerhalb einer Organisation (interner Vergleich) oder mehrerer unterschiedlicher Organisationen (externer Vergleich) herangezogen werden. Als Hauptproblem der Effizienzmessung ist dabei die Auswahl der richtigen, d.h. auch wirklich vergleichbaren Entscheidungseinheiten. Es ist hier prinzipiell zu fordern, dass diese Auswahl nicht im subjektiven Ermessen einzelner Entscheidungsträger liegt und damit mehr oder weniger willkürlich erfolgt, sondern möglichst durch eine quantitativ fundierte Methode gestützt wird, deren Auswahlalgorithmus intersubjektiv nachvollziehbar ist. Hierauf wird im Rahmen der Diskussion von Verfahren zur Effizienzmessung noch ausführlich zurückzukommen sein.
1.2.3.
Technische, allokative, ökonomische und Skaleneffizienz
Im Folgenden wird der Begriff der Effizienz weiter differenziert. Dabei liegt den Überlegungen, wie auch der gesamten weiteren Arbeit, der relative Effizienzbegriff zu Grunde. 37 38 39
Vgl. Dyckhoff (2000), S. 176 f. Vgl. Cantner/Hanusch (1998), S. 228 f. Vgl. Dyckhoff/Ahn (2001), S. 114 f.
13 Von technischer Effizienz spricht man, wenn eine Aktivität in der Lage ist, ein bestimmtes Outputniveau bei geringstem Einsatz von Inputs, also verschwendungsfrei zu erreichen. Diese Art der Effizienz kann somit von jeder ineffizienten Einheit ohne Änderungen des Input-Mixes, d.h. des Einsatzverhältnisses der Inputs, erreicht werden. Beantwortet wird hier die Frage, ob im Produktionsprozess die besten bekannten Verfahren eingesetzt werden.40 Während zur Analyse der technischen Effizienz nur reale (physische) Größen benötigt werden, erfordert die Analyse allokativer Effizienz die Einbeziehung von Marktpreisen. Von allokativer Effizienz spricht man, wenn eine Einheit die Inputs in bezüglich der Faktorpreise optimalen Proportionen einsetzt. Die Analyse allokativer Effizienz ermöglicht somit Aussagen darüber, ob eine rein technisch effiziente Aktivität für ein Unternehmen auch profitabel ist, und erlaubt auf diese Weise eine Auswahl zwischen verschiedenen rein technisch effizienten Aktivitäten.41 Die Betrachtung allokativer Effizienz erlaubt die optimale Verteilung vorgegebener und kurzfristig nicht veränderbarer Ressourcen auf verschiedene Aktivitäten. Die Eliminierung allokativer Ineffizienz kann damit u.U. auch eine Veränderung des Input-Mixes entsprechend der relativen Preise erforderlich machen. So ist bei höherem relativen Preis von Input x1 dessen Einsatzmenge zugunsten des billigeren Inputs x2 zu senken. Daher wird
allokative Effizienz auch als mix efficiency bezeichnet.42 Ist eine Einheit technisch und allokativ effizient, so produziert diese mit minimalen Kosten bzw. maximalem Profit und wird dann als ökonomisch effizient (kosteneffizient) bezeichnet.43 Da die meisten Outputs von Marketingaktivitäten nicht auf Märkten gegen Preise gehandelt werden und auch viele Inputs nicht monetär bewertbar sind, soll allokative und folglich ökonomische Effizienz in dieser Arbeit nicht betrachtet werden. Wenn von Effizienz gesprochen wird, ist daher immer, falls nicht anders ausgewiesen, (relative) technische Effizienz gemeint.44 Der Begriff der Skaleneffizienz bezieht sich auf das Skalenniveau bzw. die „Betriebsgröße“ einer Aktivität. Im Marketingkontext ist mit diesem Begriff die Größe gemeint, mit der bestimmte Marketingaktivitäten bzw. -organisationseinheiten „betrieben“ werden, also etwa die Größe eines Vertriebsteams oder einer Werbeanzeige. Eine Akti-
40 41
42 43 44
Vgl. Cubbin/Tzanidakis (1998), S. 39; Padberg/Werner (2005), S. 216. Vgl. Kreuder (2003), S. 26. Die Unterscheidung von technischer und allokativer Effizienz geht auf Farrell (1957), S. 255 zurück, der letztere als „price efficiency“ bezeichnet. Vgl. Weston (1976). Vgl. Porembski (2000), S. 86. Wenn allerdings für die Input- und Outputseite nur auf monetäre Größen zurückgegriffen wird, stellt sich die Problematik der Unterscheidung in ökonomische und technische Effizienz nicht mehr. Dann wäre auch das Multidimensionalitäts- und Gewichtungsproblem gelöst, da auf beiden Seiten die Größen unmittelbar zu einem aggregierten Input (Kosten) bzw. Output (Erlös) zusammengefasst und die gewinnmaximalen Aktivitäten bestimmt werden können. Vgl. Bucklin (1978a), S. 1.
14 vität mit optimalem Skalenvolumen wird als skaleneffizient bezeichnet. Ist eine Einheit im Verhältnis zum optimalen Volumen jedoch zu groß oder zu klein, wird sie als skalenineffizient bezeichnet. Beantwortet wird hier die Frage, ob durch Zusammenschlüsse von Objekten Vor- oder Nachteile hinsichtlich der Effizienz entstehen. Skalenineffiziente Aktivitäten liegen stets in Bereichen zunehmender oder abnehmender Skalenerträge.45 Skalenerträge sind Outputveränderungen, die durch Größenvariation aller Inputfaktoren entstehen. Verursacht eine Steigerung der Inputs eine genau proportionale Erhöhung der Outputs, liegen konstante Skalenerträge vor. Im wahrscheinlichsten Fall folgt bei einer Verdopplung aller Inputs weniger als eine Verdopplung der Outputs. Hier ist von sinkenden Skalenerträgen zu sprechen. Objekte, die im Bereich sinkender Skalenerträge operieren, sind somit zu groß und könnten ihr Output-Input-Verhältnis – konstante technische Effizienz vorausgesetzt – allein durch Reduktion des Skalenniveaus (der Betriebsgröße) verbessern. Seltener zu beobachten ist eine Situation, bei der eine Erhöhung der Inputs um einen Faktor eine Steigerung der Outputs um einen höheren Faktor nach sich zieht, was als steigende Skalenerträge zu interpretieren ist.46 Hier liegt die Einheit unterhalb der optimalen Betriebsgröße. Es ist somit eine Größe des Untersuchungsobjektes anzustreben, welche die Input-Output-Struktur optimiert.47 Eine Aktivität, die sowohl rein technisch effizient als auch skaleneffizient ist, wird als gesamteffizient bezeichnet. Die Gesamteffizienz einer Aktivität ergibt sich aus der multiplikativen Verknüpfung von technischer Effizienz und Skaleneffizienz.48
1.3.
Marketingeffizienz
Ein umfassendes Verständnis der Marketingeffizienz muss alle im Marketing eingesetzten Ressourcen (Inputs) zu den damit erreichten Ergebnissen (Outputs) in Relation setzen. Im Marketingbereich, als einem funktionsübergreifenden Bereich mit verschiedenen Zielsetzungen und zahlreichen internen und externen Einflussgrößen, ist dabei realistischerweise von mehrdimensionalen Inputs und Outputs auszugehen.49 Dabei hängt die Anzahl der für eine Effizienzanalyse relevanten Faktoren von der betrachteten Aggregationsebene ab. Sie wird umso geringer, je höher aggregiert die betrachtete Marketingeinheit ist. Von der Aggregationsebene und den damit verbundenen Marketingzielen ist zudem abhängig, ob die Inputs und Outputs materieller und/oder immaterieller Art sind.
45 46 47 48 49
Vgl. hierzu ausführlich Abschnitt B-3.1.3. Vgl. Scheel (2000), S. 41 ff. Vgl. Alpar et al. (2000), S. 479. Vgl. Färe/Grosskopf/Lovell (1985). Vgl. Bhargava/Dubelaar/Ramaswami (1994), S. 235.
15 Auf einer hoch aggregierten Ebene (etwa bei Betrachtung des gesamten Marketingbereichs bzw. ganzer Instrumentalbereiche) lassen sich möglicherweise alle Inputs und Outputs in Geldeinheiten ausdrücken, etwa in Form von Marketingaufwendungen (Input) und Umsätzen/Deckungsbeiträgen (Outputs). Dann kann unter Marketingeffizienz - dem klassischen ROI-Konzept folgend - der Return on Marketing Investments verstanden werden. Bei Vorliegen monetärer Größen kann auch der ROI einzelner Instrumente wie etwa der Return on Advertising, Return on Sales etc. bestimmt werden.50 In der Regel werden aber zur vollständigen Effizienzbewertung im Marketing, v.a. bei Betrachtung einzelner Aktivitäten wie Werbekampagnen oder Verkaufsaktionen, zusätzlich auch nicht finanzielle Größen einzubeziehen sein, die nicht unmittelbar oder zumindest nicht eindeutig in Geldeinheiten umgerechnet werden können.51 Die Vielzahl der institutionellen und funktionalen Teilbereiche des Marketing mit der Folge einer großen Menge möglicher Output- und Inputgrößen erfordert eine differenzierte Betrachtung der Objektbereiche der Marketingeffizienzanalyse, die genauer in Kapitel B-3 entwickelt wird. Um ein generelles, universell anwendbares Verständnis der Marketingeffizienz zu Grunde zu legen, welches später die Integration aller Arten von Inputs und Outputs erlaubt und dann je nach Anwendungsbereich spezifiziert werden kann, soll Marketingeffizienz folgendermaßen konzeptualisiert werden:52 (3)
Marketingeffizienz =
gewichtete Marketing - Outputs gewichtete Marketing - Inputs
Die Gewichte für die Outputs und Inputs reflektieren dabei die Tatsache, dass die einzelnen Untersuchungseinheiten (z.B. Vertriebsteams, Werbekampagnen) die Marketinginstrumente in Form der Inputs mit unterschiedlicher Intensität einsetzen, um die Marketingziele (etwa Steigerung des Bekanntheitsgrades, Verbesserung der Einstellung, Erhöhung der Kundenbindung, Gewinnung neuer Kunden) zu erreichen. So versuchen z.B. bestimmte Kampagnen durch möglichst häufige Wiederholungen, andere etwa durch längere Spots eine hohe Werbewirkung zu erreichen. Auch die angestrebten Ziele in Form der Outputgrößen können in ihrer Priorität differieren (z.B. hoher Bekanntheitsgrad vs. hohe Aktivierung). Die Gewichte reflektieren somit unterschiedliche Gestaltungskonzepte bzw. Marketingstrategien. Im Rahmen der Arbeit gilt es, eine Methode zu identifizieren, die diese unterschiedlichen Gewichtungen der Leistungsparameter, die in individuellen Stärken und Schwächen resultieren, bei der Effizienzbewertung adäquat abbildet. Sie muss bei der Effizienzbestimmung ein hohes Maß an Flexibilität aufweisen, um sich bestmög50 51 52
Vgl. Rust/Lemon/Zeithaml (2004). Vgl. Morgan/Clark/Gooner (2002), S. 363; Neely (2004), S. 5. Vgl. Bucklin (1978b), S. 3; Murthi/Srinivasan/Kalyanaram (1996), S. 330; Parsons (1994), S. 174.
16 lich an die Datenlage des entsprechenden Anwendungsbereichs anzupassen und realistische und faire Aussagen zu ermöglichen. Insbesondere sollte die Verwendung exogener (und damit stets subjektiver) Gewichtungen vermieden werden, die eine breite Akzeptanz der Effizienzergebnisse beeinträchtigen würden. Der Idee der relativen Effizienz folgend, sollte sich die Beurteilung an den bestehenden unternehmensinternen (etwa beim Vergleich verschiedener Werbekampagnen einer Produktgruppe) oder externen, marktbezogenen (etwa beim Vergleich eigener Werbekampagnen mit denen der Konkurrenz) Alternativen ausrichten. Eine Einheit sollte erst dann als ineffizient ausgewiesen werden, wenn eine andere Referenzeinheit mit ähnlichem Instrumenteneinsatz und ähnlichen Zielpriorisierungen existiert, die dafür jedoch weniger Inputs benötigt und/oder höhere Outputs erreicht. Eine Orientierung an realisierten Erfolgen vergleichbarer Objekte statt hypothetischen Maßstäben ermöglicht zudem die Berechnung erreichbarer Effizienzsteigerungen. Dabei sollten als Benchmark allerdings bestpraktizierende Marketingeinheiten und nicht eine durchschnittlich leistungsfähige Einheit gewählt werden. Eine solche Vorgehensweise ist sinnvoll, da sie dem Postulat der Wettbewerbs- und Marktorientierung als der Grundphilosophie des Marketing entspricht. Dabei ist zu berücksichtigen, dass allein der interne Wettbewerb einen oftmals schon ausreichend disziplinierenden Maßstab einer vergleichenden Effizienzbewertung darstellen kann. Die genannten Anforderungskriterien leiten die Auswahl einer Effizienzanalysemethode im Rahmen dieser Arbeit. Sie werden an vielen Stellen der Arbeit aufgegriffen und konkretisiert. Abschließend sei hervorgehoben, dass die bisherigen Ausführungen auf ein anbieterbezogenes Verständnis der Marketingeffizienz abstellen. Hier wird die interne Effizienz des Marketing als einer unternehmerischen Funktion, d.h. ein Verhältnis aus erreichten (monetären oder nicht monetären) Marketingergebnissen und dafür eingesetzten Ressourcen betrachtet. Diese Perspektive zielt auf eine Beurteilung der Wirtschaftlichkeit der Marketingmaßnahmen ab. Im Gegensatz dazu kann Marketingeffizienz auch aus Perspektive der Nachfrager, auf die letztlich alle Marketingaktivitäten abzielen, betrachtet werden. Marketing ist danach effizient, wenn es für Kunden einen maximalen Wert (Customer Value) stiftet. Oder wenn die durch das Marketing bereitgestellten Produkte oder Dienstleistungen dazu beitragen, dass Nachfrager mit deren Erwerb und der Nutzung einen maximalen Value (Effizienzwert) für sich erzeugen können. Dies ist dann der Fall, wenn ein Produkt ein Maximum an Outputs (Leistungseigenschaften) für zu erbringende Inputs (Kaufpreis, Nutzungskosten) in Relation zu den erhältlichen Alternativen bietet.53 Diese nachfragerorientierte Perspektive der Marketingeffizienz, die v.a. im Rahmen der Produktpolitik gleichberech53
Vgl. Bauer/Sauer/Hammerschmidt (2005), S. 2.
17 tigt neben die unternehmensbezogene Sichtweise treten muss, wird im Rahmen der Arbeit ausführlich entwickelt. Sie entspricht einer in jüngster Zeit zunehmend propagierten Logik im Marketing, wonach Unternehmen nur noch als Co-Produzenten fungieren, die den Nachfragern Wertangebote unterbreiten und Kunden bei der Maximierung ihres wahrgenommenen Wertes unterstützen.54 Produkte bzw. die produktpolitischen Aktivitäten stellen nach diesem Verständnis Instrumente dar, um die Kauf- und Konsumeffizienz der Nachfrager zu erhöhen.
2.
Allgemeine theoretische Fundierung der Effizienzanalyse
Der Begriff Effizienz und die Problematik der Effizienzmessung haben ihren Ursprung in der Produktionstheorie und werden auch in der Entscheidungstheorie thematisiert. Zunächst werden in den Abschnitten B-2.1.1 bis B-2.1.4 die Grundbegriffe und die zu treffenden Annahmen der Effizienzmessung aus produktionstheoretischer Perspektive erläutert. In B-2.1.5 werden die Grundprinzipien und die Vorgehensweise der Effizienzmessung für den einfachen Fall mit einem Input und einem Output dargestellt. Die Probleme, die entstehen, wenn multiple Inputs und Outputs zu einem Effizienzmaß aggregiert werden müssen, werden zum Abschluss von B-2.1.5 aufgegriffen. Zur Lösung der Schwierigkeiten ist eine Ergänzung der Produktionstheorie um entscheidungstheoretische Erkenntnisse notwendig; diese werden daher in Abschnitt B2.2 knapp dargestellt. Zur Veranschaulichung der in diesem Kapitel erarbeiteten Erkenntnisse wird ein Zahlenbeispiel für elf fiktive Entscheidungseinheiten eingeführt, welches im Verlauf der Arbeit fortgeführt und erweitert wird.
2.1.
Produktionstheoretische Grundlagen
2.1.1.
Produktionsbegriff und dessen Übertragung auf das Marketing
Gegenstand der Produktionstheorie ist die Analyse von Produktionsprozessen, die als zielgerichtete Kombination und Transformation von Produktionsfaktoren (Einsatzgütern, Inputs) zu Ausbringungsgütern (Leistungen, Outputs) nach bestimmten Verfahren zu verstehen sind.55 Von der grundlegenden Gutenbergschen Einteilung der Produktionsfaktoren in Elementarfaktoren und dispositive Faktoren ausgehend,56 existiert in der Literatur eine große Zahl weiterführender Systematisierungsansätze. So findet sich häufig die Unterscheidung in Potenzialfaktoren (materielle und immaterielle Betriebsmittel, menschliche Arbeitsleistung) und Repetierfaktoren (Werkstoffe,
54 55 56
Vgl. Vargo/Lusch (2004), S. 3. Vgl. Fandel (2005), S. 1 f.; Hoitsch (1993), S. 3 ff. Vgl. Gutenberg (1951).
17 tigt neben die unternehmensbezogene Sichtweise treten muss, wird im Rahmen der Arbeit ausführlich entwickelt. Sie entspricht einer in jüngster Zeit zunehmend propagierten Logik im Marketing, wonach Unternehmen nur noch als Co-Produzenten fungieren, die den Nachfragern Wertangebote unterbreiten und Kunden bei der Maximierung ihres wahrgenommenen Wertes unterstützen.54 Produkte bzw. die produktpolitischen Aktivitäten stellen nach diesem Verständnis Instrumente dar, um die Kauf- und Konsumeffizienz der Nachfrager zu erhöhen.
2.
Allgemeine theoretische Fundierung der Effizienzanalyse
Der Begriff Effizienz und die Problematik der Effizienzmessung haben ihren Ursprung in der Produktionstheorie und werden auch in der Entscheidungstheorie thematisiert. Zunächst werden in den Abschnitten B-2.1.1 bis B-2.1.4 die Grundbegriffe und die zu treffenden Annahmen der Effizienzmessung aus produktionstheoretischer Perspektive erläutert. In B-2.1.5 werden die Grundprinzipien und die Vorgehensweise der Effizienzmessung für den einfachen Fall mit einem Input und einem Output dargestellt. Die Probleme, die entstehen, wenn multiple Inputs und Outputs zu einem Effizienzmaß aggregiert werden müssen, werden zum Abschluss von B-2.1.5 aufgegriffen. Zur Lösung der Schwierigkeiten ist eine Ergänzung der Produktionstheorie um entscheidungstheoretische Erkenntnisse notwendig; diese werden daher in Abschnitt B2.2 knapp dargestellt. Zur Veranschaulichung der in diesem Kapitel erarbeiteten Erkenntnisse wird ein Zahlenbeispiel für elf fiktive Entscheidungseinheiten eingeführt, welches im Verlauf der Arbeit fortgeführt und erweitert wird.
2.1.
Produktionstheoretische Grundlagen
2.1.1.
Produktionsbegriff und dessen Übertragung auf das Marketing
Gegenstand der Produktionstheorie ist die Analyse von Produktionsprozessen, die als zielgerichtete Kombination und Transformation von Produktionsfaktoren (Einsatzgütern, Inputs) zu Ausbringungsgütern (Leistungen, Outputs) nach bestimmten Verfahren zu verstehen sind.55 Von der grundlegenden Gutenbergschen Einteilung der Produktionsfaktoren in Elementarfaktoren und dispositive Faktoren ausgehend,56 existiert in der Literatur eine große Zahl weiterführender Systematisierungsansätze. So findet sich häufig die Unterscheidung in Potenzialfaktoren (materielle und immaterielle Betriebsmittel, menschliche Arbeitsleistung) und Repetierfaktoren (Werkstoffe,
54 55 56
Vgl. Vargo/Lusch (2004), S. 3. Vgl. Fandel (2005), S. 1 f.; Hoitsch (1993), S. 3 ff. Vgl. Gutenberg (1951).
18 Energie).57 Gleiches gilt für die Klassifizierung der Produktionsergebnisse (Outputs), die sich im einfachsten Fall als Menge erstellter Sachgüter erfassen lassen, vielfach jedoch auch immaterielle Outputs (Dienstleistungen bzw. im Marketing die Veränderung unternehmerisch relevanter Zielgrößen) umfassen.58 In einem engen Begriffsverständnis analysiert die Produktionstheorie jedoch nur die Prozesse bzw. Beziehungen zwischen dem realen Aufwand und dem realen Ertrag.59 Gerade im Kontext des Marketing ist der klassische, enge Begriff der Produktion als technischer Prozess einer Transformation materieller Inputs in materielle Outputs zu erweitern und generisch zu verstehen.60 Dieses verallgemeinerte Verständnis wird in seinen Grundzügen bereits von Gutenberg vertreten, der die Absatzaktivitäten als Produktionsprozesse beschreibt, im Rahmen derer die Marketinginputs in Form der vier absatzpolitischen Instrumente kombiniert werden, um akquisitorisches Potenzial - verstanden als besondere Präferenz der Abnehmer für die Produkte eines Herstellers - als Output zu erzeugen. Die Zusammenhänge zwischen den Inputs (als unabhängige Variablen) und dem Output (als abhängige Variable) lassen sich nach Gutenberg auch in Form einer klassischen Produktionsfunktion y = f ( x 1, x2 , x3 , x 4 ) beschreiben.61 Auch Heinen versteht unter Produktion im weitesten Sinne den gesamten betrieblichen Wertschöpfungsprozess von der Beschaffung über die Leistungserstellung bis hin zur Leistungsverwertung.62 Auch das Marketing ist somit Teil des Wertschöpfungsprozesses als einem durch Menschen veranlassten, systematisch vollzogenen Transformationsprozess, der nicht der unmittelbaren Befriedigung eigener Bedürfnisse dient. Daher finden auch im Marketing Produktionsprozesse statt. Im neueren Schrifttum zum Stand der Produktionstheorie sind vor allem die Arbeiten von Dyckhoff zu erwähnen, der aufbauend auf den Desiderata von Fandel 63, Schneider 64 und Schneeweiß65 ebenfalls fordert, die traditionelle, von ihm als Spezielle Produktionstheorie bezeichnete Konzeption um eine Allgemeine Produktionstheorie zu ergänzen, die einen Teilbereich der Unternehmenstheorie bzw. der Allgemeinen BWL darstellt.66 Er kritisiert an der Speziellen Produktionstheorie die fehlende Einbeziehung von Managementprozessen, die Beschränkung auf quantitative Größen, die ungenügende Erfassung von immateriellen Leistungen durch Beschränkung auf die 57 58 59 60 61
62 63 64 65 66
Vgl. Corsten (2004), S. 8 ff; Hoitsch/Lingnau (2004), S. 19-25. Vgl. Corsten (2004), S. 13; Kreuder (2003), S 6 f. Vgl. Allen (2002), S. 33; Dyckhoff (2003), S. 705 ff. Vgl. Dyckhoff (2003), S. 708 f. Vgl. Gutenberg (1955), S. 238. Ursprünglich wurden von Gutenberg die Instrumente Produktdifferenzierung, Kommunikationspolitik, Kundendienstpolitik, Lieferungs- und Zahlungspolitik als unabhängige Variablen betrachtet. Vgl. Heinen (1965), S. 118 f. Vgl. Fandel (1980). Vgl. Schneider (1997), S. 332 ff. Vgl. Schneeweiß (2002a), S. 94 ff.; Schneeweiß (2002b), S. 201 ff. Vgl. Dyckhoff (1994), S. 34 ff.; Dyckhoff (2000), S. 1 ff.; Dyckhoff (2003); Dyckhoff (2006).
19 Erbringung von Sachleistungen, einen zu hohen Aggregationsgrad und die resultierende geringe empirische Erfassbarkeit der verwendeten Größen.67 Daher ist die traditionelle Produktionstheorie ein Korsett, welches auf bestimmte Funktionsbereiche (wie das Marketing) und bestimmte aktuelle Entwicklungen (wie die Forderung, die Produktivität von Marketingaktivitäten nachzuweisen) nicht anwendbar ist. Mit der Allgemeinen Produktionstheorie stellt Dyckhoff die materielle oder immaterielle Leistungserbringung als dem Zweck von Transformationsprozessen in den Mittelpunkt. Das Kennzeichen der Produktion liegt demnach in der Wertschöpfung mittels auch indirekter Nutzenstiftung und in der systematischen Führung durch Menschen. Produktion ist dann die sich in betrieblichen Subsystemen (und somit auch im Marketing) vollziehende systematische Bildung von Faktorkombinationen im Sinne einer Anwendung von technischen oder konzeptionellen Verfahren, welche auf die Erfüllung des Systemzwecks (also von Sachzielen) ausgerichtet sind, um nutzensteigernde Veränderungen zu ermöglichen.68 Auch Corsten/Gössinger weisen darauf hin, dass sich die für Produktionsprozesse konstituierende Objekttransformation auch in immateriellen Transformationen bzw. in der Erbringung immaterieller (Dienst)Leistungen und Nutzenstiftungen konkretisieren kann. Zu solchen Leistungen gehören auch die durch Marketingaktivitäten erbrachten Produkt-, Preis-, Kommunikations- und Distributionsleistungen. Somit können nicht nur Güter, sondern auch Eigenschaftsänderungen in sehr allgemeiner Form Inputs und Outputs bilden.69 Aus dieser umfassenden Perspektive ist die Produktionstheorie kein naturwissenschaftliches oder technisches Fachgebiet mehr, sondern eine System- und Planungstheorie und somit eigentlich eine Theorie der Unternehmung und folglich auch ein Teil der Sozialwissenschaften. Sie lässt sich dann auch zur Erklärung und Gestaltung der Effizienz von Marketingaktivitäten anwenden. Diese Rückbesinnung auf ein generisches Produktionsverständnis ermöglicht die Übertragung der Begriffe Produktion, Dominanz, Effizienz etc. in den Kontext des Marketing. Ein solcherart produktionsökonomisch fundiertes Marketingverständnis wird der vielfach erhobenen Forderung gerecht, die Produktionstheorie als „Mutter der BWL“ zu betrachten und auch für andere betriebswirtschaftliche Disziplinen zugänglich zu machen. Dies ermöglicht viele Einsichten, die im Rahmen der in der Marketingmanagement-Lehre vorherrschenden verhaltenswissenschaftlichen oder institutionenökonomischen Ansätze nicht erlangt werden können. So stehen bei der produktionstheoretischen Betrachtung des Marketing die Prozesse der Transformation von Input- in Outputobjekte und die dadurch erreichten Ergebnisse in Form erzielter Relationen von Inputs und Outputs im Mittelpunkt. Ein umfassendes Verständnis 67 68 69
Vgl. Dyckhoff (2003), S. 708 f. Vgl. Dyckhoff (2003), S. 710 f. Vgl. Corsten/Gössinger (2004), S. 514; Corsten/Gössinger (2006), S. 30.
20 der Produktionstheorie könnte diese (wieder) für einen breiteren Interessentenkreis attraktiv machen und zu einer größeren Verbreitung und Akzeptanz produktionstheoretisch ausgerichteter Forschung führen. So lässt sich hoffentlich der Befürchtung Schneiders entgegentreten, dass „…die reine Produktionstheorie für eine Betriebswirtschaftslehre als Erfahrungswissenschaft bedeutungslos [ist] … und wenig mehr als Sprachregelungen für erste erfahrungswissenschaftliche Einsichten [bietet]“.70 Dieser Arbeit liegt die Sichtweise zu Grunde, dass auch das Marketing durch den Einsatz von Inputs (z.B. Verkaufsförderungs- oder Werbemaßnahmen, Kundenbesuche) verschiedene Outputs im Sinne nutzenstiftender Veränderungen z.B. von Marktstatusgrößen wie Markenbekanntheit und -loyalität oder Marktergebnisgrößen wie Umsatz, Marktanteil oder Preispremium „produziert“. Die Begriffe und Konzepte dieses Kapitels basieren zunächst auf dem ursprünglichen Verständnis der Produktionstheorie und werden später im Sinne der Allgemeinen Produktionstheorie in den Bereich des Marketing übertragen. Ziel ist es, das Marketing stärker mit der Theorie der Unternehmung in der Allgemeinen Betriebswirtschaftslehre zu verknüpfen. Auf diese Weise ist es möglich, nicht nur die bisher im Marketing im Vordergrund stehenden Interaktions- und Transaktionsprozesse zwischen Wirtschaftssubjekten zu untersuchen, sondern auch die dort stattfindenden Produktionsprozesse. Nicht nur das Unternehmen, sondern auch das Marketing selbst ist damit als ein System von Transaktions- und Transformationsprozessen zu betrachten.
2.1.2.
Aktivitätsanalyse und Dominanz
Um sich der Problematik der Effizienzmessung aus produktionstheoretischer Sicht zu nähern, muss zunächst das Konzept der Dominanz eingeführt werden. Die Dominanz wird im Rahmen der sog. Aktivitätsanalyse ermittelt, welche von Koopmans entwickelt wurde.71 Eine Aktivität beschreibt dabei eine realisierte Kombination von Input- und Outputmengen, wobei die Transformation der Inputs in Outputs durch eine bestimmte zu Grunde liegende Technologie beschrieben werden kann. Eine Vergleichseinheit ist dominant, wenn unter sonst gleichen Bedingungen keine Einheit existiert, die den gleichen Output mit weniger Input erzeugt oder mit dem gleichen Input mehr Output erreicht.72 Wird also eine Einheit von keiner anderen dominiert, gilt sie als effizient. Eine effiziente Produktion könnte den Output nur noch durch Steigerung der eingesetzten Inputs erhöhen. Sie ist somit maximales Element innerhalb einer Beobachtungsmenge und erfüllt die Eigenschaft der sog. Pareto-KoopmansOptimalität, da eine weitergehende Zustandsverbesserung nur bei anderweitiger 70 71 72
Schneider (1997), S. 359. Vgl. Koopmans (1951). Vgl. Fandel (2005), S. 50.
21 Verschlechterung möglich wäre.73 Mit der Dominanzanalyse ist jedoch keine Effizienzmessung, sondern nur ein Effizienztest im Sinne einer Kategorisierung möglich, da sie zwar in der Lage ist, zwischen effizienten und ineffizienten Aktivitäten zu diskriminieren, jedoch keine Quantifizierung der Ineffizienz ermöglicht.74 Dem Rationalitätsprinzip folgend sind die effizienten Produktionen gegenüber den ineffizienten zu bevorzugen.75 Die Aktivitätsanalyse ist als Basisansatz der Produktionstheorie nur der Ausgangspunkt für eine Effizienzmessung. Grafisch ist eine Aktivität Pareto-Koopmans-effizient, wenn sich - bezogen auf die Darstellung mit einem Input und einem Output - innerhalb der Technologie „nördlich“ (oberhalb) und „westlich“ (links) von ihr keine weiteren Aktivitäten befinden. Dieser „nord-westliche“ Bereich wird auch als Dominanzbereich bezeichnet, da jede in diesem Bereich liegende Aktivität die betrachtete Aktivität dominieren würde.76 Um die Vorgehensweise der Aktivitätsanalyse zu erläutern, wird ein einfaches Zahlenbeispiel herangezogen, in dem elf Einheiten betrachtet werden, die einen Input verwenden, um einen Output zu erbringen. Diese Einheiten könnten z.B. Vertriebsteams darstellen, die durch Einsatz des Instrumentes „Kundenbesuche“ (als Input) versuchen, eine möglichst hohe Zahl an Neukunden (als Output) zu akquirieren. Das Zahlengerüst für das Beispiels ist Tabelle 1 zu entnehmen. Vergleichseinheit (z.B. Vertriebsteams) A B C D E F G H I J K
Input (z.B. Besuchstouren *100) 4 2 10 8 12 3 5 9 6 9 14
Output (z.B. gewonnene Neukunden *10) 10 7 10 12 12 15 16 17 19 21 21
Tabelle 1: Daten der fiktiven Vergleichseinheiten
Im weiteren Verlauf der Arbeit wird auf diese beispielhaften Marketingeinheiten zurückgegriffen, um zentrale Aussagen und Verfahren grafisch bzw. mathematisch zu
73 74 75 76
Vgl. Dyckhoff/Ahn (2001), S. 112; Kreuder (2003), S. 22 ff. Vgl. Koopmans (1951), S. 59 f.; Schefczyk (1996), S. 168. Vgl. Allen (2002), S. 34. Vgl. Allen (2002), S. 41; Kreuder (2003), S. 23.
22 veranschaulichen. Das Zahlengerüst wird später auf zwei Inputs und zwei Outputs erweitert, um auch komplexere Zusammenhänge zu verdeutlichen.
22 K
J
20 I
18
H G
16 F
Output
14
E
12 D
A
10
C
8 B 6 4 2 0 0
2
4
6
8
10
12
14
16
18
Input
Abbildung 1: Dominanztest für die Einheiten des Zahlenbeispiels
Aus dem Dominanztest in Abbildung 1 lässt sich erkennen, welche Einheiten dominiert werden und daher als ineffizient zu klassifizieren sind und welche Einheiten dominant und daher effizient sind. Keine der Einheiten ist ideal in dem Sinne, dass sie den höchsten Output (d.h. den Output von Einheit J oder K) und gleichzeitig den geringsten Input (von Einheit B) aufweist. Ein solcher idealer Punkt würde alle anderen dominieren. Es zeigt sich, dass sich für die Einheiten B, F, G, I und J innerhalb des Dominanzbereichs (angedeutet durch die grauen Dreiecke in Abbildung 1) keine realen, beobachteten Einheiten befinden und diese daher effizient sind. Hingegen befinden sich beispielsweise im Dominanzbereich der Vergleichseinheit H, der in Abbildung 1 längs schraffiert dargestellt ist, zwei Einheiten (I und J), weshalb H als ineffizient einzustufen ist.77 Wie anhand des Zahlenbeispiels deutlich geworden ist, kann mit der bisherigen Analyse keine Angabe über die Höhe der Effizienz in Form einer Kennzahl gemacht werden. Eine kardinale Messung der Leistungsfähigkeit ist erst erreichbar, wenn an die 77
Es ist hier darauf hinzuweisen, dass diese nur dann nicht dominiert werden, wenn nur tatsächlich beobachtete Einheiten als dominierende Einheiten zugelassen werden. Sobald eine Technologie auch Kombinationen und Vielfache bzw. Bruchteile von Einheiten enthalten kann, so wäre etwa G nicht mehr effizient, weil eine lineare Kombination aus F und I innerhalb des Dominanzbereichs von G liegen würde. Hierauf wird im nächsten Abschnitt eingegangen.
23 Stelle des Verständnisses der Effizienz im Sinne von Dominanz das Verständnis im Sinne von Produktivität tritt. Im Rahmen der Produktivitätsanalyse wird Effizienz als Verhältnis von Output zu Input verstanden.78 Aus einer Menge von Beobachtungen sind dann jene relativ effizient, die die höchsten Produktivitätswerte im Vergleich zu allen betrachteten Einheiten aufweisen. Die errechneten Produktivitätskennzahlen sind also an einer Referenzfunktion in Form einer Produktionsfunktion zu relativieren, die festlegt, welche Einheit einen maximalen Produktivitätswert aufweist. Anhand einer Produktionsfunktion ist es dann möglich, das Ausmaß der Ineffizienz als Abstand zur Produktionsfunktion zu quantifizieren. Der Verlauf dieser Produktionsfunktion im Input-Output-Raum hängt von den Eigenschaften der den Beobachtungseinheiten zu Grunde liegenden Produktionstechnologie ab. Die Struktureigenschaften, anhand derer sich Technologien beschreiben lassen, sind Gegenstand des nächsten Abschnittes.
2.1.3.
Technologie und Technologieeigenschaften
Um zu beurteilen, ob eine Einheit produktiver oder weniger produktiv als eine andere ist, muss geklärt werden, ob und wenn ja auf welche Weise es möglich gewesen wäre, einen höheren Output zu erreichen bzw. den Input zu verringern. Die Festlegung dieser Produktionsmöglichkeiten hängt entscheidend davon ab, welche Technologie der Transformation der Inputs in Outputs unterstellt wird. Eine Technologie ist als die Menge aller Produktionen (Aktivitäten, Input-OutputBeziehungen) definiert, die aufgrund des technischen Wissens eines Unternehmens alternativ realisierbar sind und ein Produktionssystem bilden.79 Die tatsächliche, wahre Technologie dürfte selbst bei Betrachtung der Produktion von Sachgütern in der Regel - zumindest teilweise - unbekannt sein bzw. so umfassendes naturwissenschaftlich-technisches Wissen erfordern, dass die Bestimmung prohibitiv aufwändig wäre. Dies gilt erst recht für die komplexe „Produktion“ von Leistungen im Marketing, die nicht nur selbst oft intangibel sind, sondern für deren Erzeugung zum Teil auch intangible Inputs eingesetzt werden. Zur Effizienzmessung sind deshalb realistische, theoretisch begründete Annahmen über die Technologieeigenschaften zu treffen, um die „wahre“, aber unbekannte Technologiemenge zu approximieren. 80 Die Ergebnisse der Effizienzbewertung hängen also in erheblichem Maße von den zu treffenden Annahmen bzgl. der Technologieeigenschaften ab.
78 79
80
Vgl. Dellmann/Pedell (1994), S. 16. Vgl. Fandel (2005), S. 25; Hoitsch (1993), S. 6. Hoitsch versteht im engeren Sinne unter einem Produktionssystem nur einen Teil der Inputs (die Menge der Potenzialfaktoren) und deren produktionstechnischen Zusammenhang; vgl. Hoitsch (1993), S. 6. Vgl. Allen (2002), S. 43.
24 Die drei konstituierenden Struktureigenschaften einer jeden Technologie beziehen sich auf Disposabilität, Konvexität und Skalenerträge.81 Technologien und Produktionsfunktionen werden durch die Festlegung der Ausprägungen dieser Eigenschaften eindeutig beschrieben. Zunächst ist eine Annahme bzgl. der Technologieeigenschaft Verschwendbarkeit (Disposabilität) von Inputs und Outputs zu treffen. Eine Technologiemenge Τ := {x, y }
zeichnet sich durch die Annahme der freien Verschwendbarkeit der Inputs aus, wenn für jede enthaltene Aktivität zugelassen wird, dass die gleichen Outputmengen auch mit höheren Inputmengen produziert werden können. Es gilt dann mit ( x, y ) ∈ Τ für
x ' ≥ x auch ( x ' , y ) ∈Τ . Entsprechend liegt freie Verschwendbarkeit der Outputs vor, wenn es möglich ist, bei gleich bleibendem Input weniger Output zu produzieren, d.h. wenn mit ( x, y ) ∈ Τ für y ' ≤ y auch ( x, y ' ) ∈ Τ gilt.82 Nicht-Verschwendbarkeit bzw. schwache Verschwendbarkeit erlaubt es nicht mehr, dass in jedem Punkt der Technologiemenge die Outputs beliebig verringert oder die Inputs beliebig vergrößert werden können. Es wird später in Abschnitt C-2.2 gezeigt, dass alle gängigen Verfahren der Effizienzmessung die Annahme der freien Verschwendbarkeit verlangen. Die Struktureigenschaft der Konvexität legt fest, ob und wie sich Vergleichseinheiten einer Technologie kombinieren lassen. Hiernach lassen sich konvexe (Sonderfall: lineare) und nicht konvexe Technologien unterscheiden.83 Konvexe Technologien liegen vor, wenn jede Aktivität realisierbar ist, die als Linearkombination aus zwei oder mehr Aktivitäten gebildet werden kann, d.h. bei der sich die Anteile dieser Aktivitäten zu 1 addieren.84 Es gilt also mit ( x, y ) ∈ Τ und ( x ' , y ' ) ∈ Τ für alle 0 < λ < 1 auch λ ( x, y ) + (1 − λ )( x ' , y ' ) ∈ Τ . Solche durch den letzten Term bezeichneten Linearoder Konvexkombinationen aus realen Einheiten werden virtuelle Vergleichseinheiten genannt. Zu einer linearen bzw. schwach konvexen Technologie gehören nur noch alle proportionalen Niveauvariationen von Aktivitäten sowie alle additiven Kombinationen von Aktivitäten und deren proportionale Variationen. Eine lineare Technologie weist somit immer konstante Skalenerträge auf. Es gilt dann mit ( x, y ) ∈ Τ und ( x ' , y ' ) ∈ Τ für alle λ ≥ 0 und λ ' ≥ 0 auch λ ( x, y ) + λ ' ( x ' , y ' ) ∈ Τ .85 (Streng) konvexe Technologien stellen folglich Verallgemeinerungen linearer Technologien dar.86 Bei nicht konvexen Technologien sind lineare Kombinationen von be-
81 82 83 84 85 86
Vgl. Scheel (2000); S. 41-48. Vgl. Scheel (2000), S. 45. Vgl. Allen (2002), S. 44. Vgl. Dyckhoff (2000), S. 61; Scheel (2000), S. 47. Vgl. Dyckhoff (2000), S. 61. Damit wird deutlich, dass nicht alle beliebigen Kombinationen von Ausprägungen der Struktureigenschaften möglich sind.
25 obachteten Einheiten nicht zulässig, was zu einer weniger „optimistischen“ Approximation der Transformationsmöglichkeiten führt.87 Skalenerträge beschreiben, wie sich der Output bei Veränderungen der „Größe“ (im engen Sinne: des Produktionsvolumens) bzw. des Skalenniveaus verändert.88 Eine Technologie weist konstante Skalenerträge auf, wenn für jede enthaltene Aktivität bei einer Vervielfachung der Inputmengen eine Vervielfachung der Outputmengen um denselben Faktor möglich ist, d.h für ( x, y ) ∈ Τ gilt auch (λx, λy ) ∈ Τ für alle λ > 0 .89 Im Falle konstanter Skalenerträge können die Vergleichseinheiten also beliebige Niveauänderungen, d.h. sowohl Bruchteile als auch das Vielfache ihrer beobachteten Produktion realisieren. Nicht abnehmende Skalenerträge liegen vor, wenn eine Vergrößerung der Outputs stets durch Vergrößerung der Inputs um denselben Faktor möglich ist, d.h. für alle λ > 1 ist mit ( x, y ) ∈ Τ auch (λx, λy ) ∈Τ . Entsprechend weist eine Technologie nicht zunehmende Skalenerträge auf, wenn eine Verkleinerung der Inputs bei gleichzeitiger Verkleinerung der Outputs um denselben Faktor möglich ist, d.h. für alle 1 > λ > 0 gilt: wenn ( x, y ) ∈ Τ dann auch (λx, λy ) ∈Τ .90 Bei zunehmenden (abnehmenden) Skalenerträgen führen Inputvergrößerungen zu überproportionalen (unterproportionalen) Outputvergrößerungen, die entsprechende Produktionsfunktion weist also einen progressiv (degressiv) steigenden Verlauf auf. Wenn eine Kombination der genannten Formen vorliegt, spricht man von variablen Skalenerträgen.91 Die Annahme variabler Skalenerträge, die Größeneffekte ausblendet, ist v.a. dann sinnvoll, wenn die Vergleichseinheiten ihre Größe nicht selbst wählen bzw. nicht beliebig variieren können und somit nicht die „most productive scale size“ realisieren können. Mittels Annahmen zu den drei Technologieeigenschaften lassen sich verschiedene Formen von Technologien und Produktionsfunktionen definieren. Aufgrund der Existenz verschiedener Ausprägungsformen von Technologien ist es bei der Untersuchung und Charakterisierung von Aktivitäten von zentraler Bedeutung, dass die Eigenschaften dieser zu Grunde liegenden (unbekannten) Technologie möglichst richtig erkannt werden. Falls der Technologie falsche Eigenschaften zugeordnet werden, d.h. solche, die die reale Technologie nicht aufweist, sind die getroffenen Effizienzaussagen über die untersuchten Aktivitäten mit großer Wahrscheinlichkeit fehlerhaft.
87 88 89
90 91
Vgl. Scheel (2000), S. 47. Vgl. Allen (2002), S. 43. Diese Eigenschaft wird auch als Linear-Homogenität oder Größenproportionalität bezeichnet. Bei Vorliegen der anderen Formen von Skalenerträgen wird entsprechend von über- bzw. unterproportional nicht-linear-homogenen Produktionstechnologien gesprochen; vgl. Hoitsch (1993), S. 281. Vgl. Scheel (2000), S. 41. Vgl. Cooper/Seiford/Tone (2000), S. 134 f.
26 Abbildung 2 veranschaulicht einige der oben beschriebenen Technologieeigenschaften und zeigt, wie sich Technologien und die als dominant ausgewiesenen Einheiten mit den Annahmen bzgl. der Eigenschaften verändern. Mit der Abbildung wird das in Abschnitt B-2.1.2 eingeführte Zahlenbeispiel mit einem Input und einem Output (vgl. Tabelle 2) wieder aufgegriffen.92 Abbildung 2 a) zeigt eine lineare Technologie (d.h. eine konvexe Technologie mit konstanten Skalenerträgen) mit der Eigenschaft der freien Verschwendbarkeit der Inputs und Outputs. Der effiziente Rand wird repräsentiert durch den Fahrstrahl vom Ursprung durch Einheit F, die den höchsten Output pro Einheit Input und somit die optimale Größe aufweist. Sie wird bei der Annahme konstanter Skalenerträge der Effizienzbewertung aller anderen Einheiten zu Grunde gelegt. Referenzpunkte sind immer F bzw. deren skalierte Werte entlang des Fahrstrahls. Nach der Annahme konstanter Skalenerträge müsste es möglich sein, eine neue Einheit als Kopie einer bestehenden Einheit zu schaffen und so mit doppeltem Input auch den doppelten Output zu erzielen. Die Vervielfachung der Größe eines Produktionsprozesses kann jedoch zusätzlichen administrativen Aufwand entstehen lassen, der als zusätzlicher Input anfällt und eine proportionale Outputsteigerung unmöglich macht. Hier wären Effizienzsteigerungen durch Aufspaltung einer großen Einheit in mehrere kleinere Einheiten erzielbar. Ebenso lässt sich aber auch der Fall denken, in dem durch Vergrößerungen progressive Outputsteigerungen durch Synergieeffekte etwa bei Unternehmensfusionen möglich sind. Entsprechende nicht zunehmende und nicht abnehmende Skalenerträge sowie eine Kombination dieser beiden Varianten in Form variabler Skalenerträge werden im Folgenden betrachtet. Abbildung 2 b) zeigt eine konvexe Technologie mit den Eigenschaften nicht abnehmender Skalenerträge und freier Verschwendbarkeit. Effizient sind die Einheiten B und F, alle Niveauerhöhungen von F, alle konvexen Kombinationen aus B und F sowie die Verlängerung von B bis zur Inputachse. Die linearen Teilstücke links unterhalb von F gehören zum effizienten Rand, da sie zunehmende Skalenerträge aufweisen. Ab F weist die Randfunktion konstante Skalenerträge auf. Abbildung 2 c) stellt ebenfalls eine konvexe Technologie dar, in diesem Fall jedoch mit den Eigenschaften nicht zunehmender Skalenerträge und freier Verschwendbarkeit. Die Randfunktion wird jetzt aufgespannt durch die Einheiten F, I, J und K, alle Niveausenkungen von F, alle Konvexkombinationen von F und I, I und J sowie J und K. Bis zum Punkt F weist die Randfunktion konstante Skalenerträge auf, alle Abschnitte rechts oberhalb weisen abnehmende Skalenerträge auf.
92
Vgl. zur Vorgehensweise bei der Konstruktion der Technologiemengen Dyckhoff (2000), S. 53-63.
27 Abbildung 2 d) beschreibt eine konvexe Technologie mit variablen Skalenerträgen und freier Verschwendbarkeit. Die Randfunktion wird jetzt aufgespannt durch die Einheiten B, F, I, J und K sowie deren Konvexkombinationen und weist variable Skalenerträge auf, weil alle linearen Teilstücke bis F zunehmende, alle Teilstücke ab F jedoch abnehmende Skalenerträge besitzen. Abbildung 2 e) stellt eine nicht konvexe Technologie mit der ausschließlichen Eigenschaft der freien Verschwendbarkeit der Inputs und Outputs dar, die variable Skalenerträge impliziert. Da konvexe Kombinationen von Beobachtungen nicht zulässig sind, sind die Verbindungen zwischen den effizienten Einheiten stufenförmig. Lineare Verbindungen zwischen den effizienten Beobachtungen gehören hier nicht mehr zur Technologie. Dominant sind nun, wie bereits in Abbildung 1 in Abschnitt B-2.1.2 dargestellt, alle Aktivitäten, die nicht durch reale Beobachtungen dominiert werden (B, F, G, I und J). Abbildung 2 f) zeigt eine konvexe Technologie mit variablen Skalenerträgen, die nun jedoch unter der Annahme der Nicht-Verschwendbarkeit konstruiert ist. So gehört z.B. die Fläche rechts unterhalb von B nicht zur Technologie, da Aktivitäten in diesem Bereich Inputverschwendungen bzw. Outputunterproduktionen implizieren. Da Technologiemengen mit konstanten Skalenerträgen wie in Abbildung 2 a) immer die Mengen mit den übrigen Skalenerträgen - in 2 b) bis d) - enthalten, passen sie sich am schlechtesten an die Daten an. Des Weiteren führt auch die Abschwächung der Konvexitäts- sowie der Verschwendbarkeitsannahme (vgl. die Abbildung 2 e) und f)) zu realistischeren Technologiemengen. Wie die Abbildung 2 insgesamt anschaulich vermittelt, verändert sich die Technologiemenge (d.h. die Größe der schraffierten Fläche) jeweils und wird von Abbildung a) nach f) kleiner, da die Strukturannahmen von a) nach f) immer schwächer und die Technologien folglich weniger verallgemeinert sind. Auf diese Weise passt sich die konstruierte Technologie immer besser an die beobachteten Datenpunkte an.93 Im Rahmen der empirischen Anwendungen in Teil E wird zu zeigen sein, wie die Technologieeigenschaften im Marketingkontext zu interpretieren sind und wie Modifikationen der Technologieannahmen auch die Anzahl der effizienten Marketingeinheiten, das Ausmaß der (In)Effizienz sowie die Inhalte und Adressaten der Handlungsimplikationen verändern. Des Weiteren werden Möglichkeiten dargestellt, anhand derer sichergestellt werden kann, dass getroffene Technologieannahmen nicht im Widerspruch zu den verwendeten Daten stehen.
93
Vgl. Scheel (2000), S. 43.
28 22
22
16
H
G
Output
E D
A
8
C
F
14
E
12 D
A
10 8
B
6
H
G
16
12 10
I
18
F
14
4 2
2
0
0 0
2
4
6
8 10 Input
12
14
16
0
18
2
4
6
8 10 Input
12
14
16
18
16
18
16
18
b)
a) 22
22
K
J
20 16
H
G
16 Output
12
E
10
D
A
8
C
H
G F
14 12
E
10
D
A
8
B
6
I
18
F
14
K
J
20
I
18
Output
C
B
6
4
C
B
6 4
4
2
2
0
0 0
2
4
6
8 10 Input
12
14
16
0
18
2
4
6
8 10 Input
12
14
d)
c) 22
22
J
20
I
18
F
14
I
18 16
E
D
A
J
20
H
G
12 10
K
Output
16 Output
K
J
20
I
18
Output
K
J
20
C
F
14
G
12 10
K
H
E
D
A
C
8
8
B
6
B
6
4
4
2
2 0
0 0
2
4
6
8 10 Input
12
14
16
18
e)
0
2
4
6
8 10 Input
12
14
f)
Abbildung 2: Technologien und effiziente Einheiten für das Zahlenbeispiel bei unterschiedlichen Technologieeigenschaften
2.1.4.
Typen von Produktionsfunktionen
Produktionsfunktionen sind formale Darstellungen des Zusammenhangs zwischen Input- und Outputquantitäten. Während Technologien sämtliche technisch möglichen Aktivitäten enthalten, d.h. sowohl effiziente als auch nicht effiziente, erfassen und beschreiben Produktionsfunktionen nach der modernen Produktionstheorie nur die
29 effizienten Input-Output-Kombinationen einer Technologiemenge (vgl. Abbildung 3).94 Da effiziente Produktionen stets auf dem Rand der Technologiemenge liegen (welcher daher auch als effizienter Rand bezeichnet wird), bestimmen entsprechende Randproduktionsfunktionen (Frontierfunktionen, Produktionsgrenzfunktionen) demnach die für ein Inputbündel maximal mögliche Outputrate. Sämtliche nicht auf dem Rand liegenden Produktionen sind nicht effizient, da bei diesen eine Steigerung der Outputmenge möglich wäre, ohne dabei gleichzeitig an anderer Stelle die Inputmenge erhöhen zu müssen bzw. eine Senkung der Inputmenge erfolgen könnte, ohne dabei gleichzeitig die Outputmenge senken zu müssen.95 Randproduktionsfunktionen sind eindeutig durch die Produktionstechnologie und umgekehrt, die Technologie eindeutig durch die Produktionsfunktion bestimmt. Die Struktur einer Produktion kann somit entweder durch eine Produktionsfunktion oder durch eine Familie von Inputund Outputmengen beschrieben werden.96 In der Praxis werden aufgrund unvollständiger Information und begrenzter Managementressourcen oftmals ineffiziente Produktionen realisiert.97 Nur wenn man von der Existenz ineffizienter Input-Output-Zusammenhänge ausgehen kann, macht es überhaupt Sinn, Vergleichsmaßstäbe zur Beurteilung des Ausmaßes der Ineffizienz in Form von Randproduktionsfunktionen zu suchen. Zur Schätzung von Produktionsfunktionen werden häufig Verfahren eingesetzt, die lediglich durchschnittliche InputOutput-Zusammenhänge ermitteln und Einheiten als Referenzpunkte ausweisen, die auf einer durch die Mitte der Punktewolke verlaufenden Funktion und nicht auf dem Rand liegen (vgl. Abbildung 3). Daher findet sich in der Literatur häufig die Unterscheidung in Rand- und Durchschnittsproduktionsfunktionen.98 Nach dieser Einteilung stellen nur erstere Produktionsfunktionen der besten Einheiten dar. Letztere stellen einen Zusammenhang dar, der anzeigt, wie eine durchschnittliche Produktionseinheit Inputs in Outputs transformiert. Dieser Unterscheidung soll auch im Zuge dieser Arbeit gefolgt werden, da sie grundlegend verschiedene Philosophien der Effizienzanalyse beschreibt, die zu unterschiedlichen Implikationen führen. Eine Produktionsfunktion mit m Inputs und s Outputs wird allgemein definiert durch ( y1,..., y r ,..., y s ) = f ( x 1,..., xi ,..., xm ) mit x i : Menge des i -ten Inputs ( i = 1,..., m ) und y r : Menge des r -ten Outputs ( r = 1,..., s ). Die Umkehrung dieser Beziehung bezeichnet man als Faktoreinsatzfunktion.
94 95 96 97 98
Vgl. Dyckhoff (2000), S. 140; Fandel (2005), S. 51. Vgl. Fandel (2005), S. 52; Kreuder (2003), S. 17 f. Für den mathematischen Beweis dieses Axioms vgl. Porembski (2000), S. 48-52. Vgl. Dyckhoff (2000), S. 140. Vgl. Greene (1993); Porembski (2000), S. 98.
30 Durchschnittsproduktionsfunktion
Randproduktionsfunktion
22
I
18
H G
16 F
14 Output
K
J
20
12
E
10
D
A
C
8 B
Technologie
6 4 2 0 0
2
4
6
8
10
12
14
16
18
Input
Abbildung 3: Unterscheidung zwischen Technologie und Produktionsfunktion
Wird die Einsatzmenge eines Inputs i auf eine Einheit des Outputs r bei gleichzeitigem Einsatz der weiteren erforderlichen Inputfaktoren bezogen, so erhält man den Produktionskoeffizienten.99 Das Konzept der Produktionsfunktion wird im weiteren Verlauf dieser Arbeit in den Kontext des Marketing übertragen. Solche Marketingproduktionsfunktionen beschreiben dann formal die effizienten MarketinginputMarketingoutput-Kombinationen einer Technologiemenge, deren Aktivitäten keine materiellen Fertigungsprozesse, sondern Marketingaktivitäten.100 Je nach Ersetzbarkeit der Inputfaktoren lassen sich limitationale und substitutionale Produktionstechnologien unterscheiden. Substitutionale Produktionsprozesse liegen vor, wenn bei unverändert bleibenden Outputmengen und –qualitäten die Einsatzmengenverhältnisse der Inputs peripher, d.h. innerhalb bestimmter Grenzen, oder total, d.h. vollständig, variiert werden können. Eine bestimmte (maximale) Ausbringungsmenge lässt sich so durch unterschiedliche (effiziente) Kombinationen von Inputmengen erstellen. Dies impliziert, dass bei substitutionalen Produktionsbeziehungen die Erhöhung der Menge nur eines Inputs bei Konstanz der Einsatzmengen aller anderen Inputs zu einer höheren Outputmenge führt.101 Im Unterschied zu substitutionalen Produktionsprozessen zeichnen sich limitationale dadurch aus, dass die effizienten Einsatzmengen aller Inputs in einem technisch eindeutig determinierten Verhältnis zueinander und zur Outputmenge stehen. Ein bestimmtes Produktionsergebnis kann somit nur durch eine einzige effiziente Kombination von Inputmengen verwirklicht werden. Limitationalität ist folglich dadurch ge99 100 101
Vgl. Hoitsch (1993), S. 278; Schneeweiß (2002a), S. 37. Vgl. hierzu Kapitel B-3 und D-1.1. Vgl. Hoitsch (1993), S. 280 ff.; Kreuder (2003), S. 20.
31 kennzeichnet, dass ohne den vermehrten Einsatz aller Inputs keine höheren Outputmengen produziert werden können. Die Erhöhung nur einer oder einzelner Inputmengen lässt die Outputmenge unverändert und ist nicht effizient, da auf diese Weise Inputs verschwendet werden.102 Die Ertragsisoquanten schrumpfen hier zu einem effizienten Punkt zusammen.103 Diese unterschiedlichen Eigenschaften von Produktionstechnologien führen zu unterschiedlichen Typen von Produktionsfunktionen. In der Produktionstheorie etablierte Typen sind ausgehend von der klassischen ertragsgesetzlichen (s-förmigen) Produktionsfunktion v.a. multiplikative, wie etwa solche vom Cobb-Douglas-Typ, logistische (umgekehrt s-förmige) und Gutenberg-Produktionsfunktionen. Letztere beinhaltet die sog. Leontief-Produktionsfunktion für linear-limitationale Produktionsverhältnisse und Verbrauchsfunktionen für nicht-linear-limitationale Prozesse.104 Mit der Vorgabe spezifischer formaler Typen von Produktionsfunktionen wird die Bestimmung einer theoretischen Produktionsfunktion angestrebt. Problematisch ist die dadurch eingeschränkte Flexibilität der Anpassung an die Daten der beobachteten Input- und Outputkombinationen. Im Gegensatz dazu basiert die Schätzung sog. empirischer Produktionsfunktionen, wie sie etwa im Rahmen der DEA erfolgt, ausschließlich auf empirischen Datensätzen der besten in der Praxis beobachteten Aktivitäten.105 Eine theoretische Produktionsfunktion ist prinzipiell zwar das beste und exakteste Konzept für die Effizienzbewertung, eine solche ist aber für die meisten Unternehmen aufgrund der komplexen Prozesse kaum anwendbar.
2.1.5.
Effizienzmessung im Lichte der Produktionstheorie
Um über eine Klassifikation der untersuchten Vergleichseinheiten als effizient oder ineffizient hinaus auch graduelle Unterschiede quantifizieren zu können, sind Effizienzmaße erforderlich. Effizienzmaße sind aussagekräftige Performanceindikatoren, da sie das Verhältnis der Produktivitäten verschiedener Vergleichseinheiten zueinander angeben. Ein Effizienzmaß ist allgemein definiert als der Abstand einer Vergleichseinheit zur Produktionsfunktion, womit im engen Sinne der Abstand zum effizienten Rand der Technologie gemeint ist. In diesem Verständnis quantifiziert es den Produktivitätsrückstand einer Vergleichseinheit in Form eines „Abstands zu den Besten“, der unmittelbar als Verbesserungspotenzial interpretierbar ist.106 Die Strukturierung einer Beobachtungsmenge durch Einfügen einer Produktionsfunktion ermöglicht 102 103 104
105
106
Vgl. Fandel (2005), S. 53 f. Vgl. Hoitsch (1993), S. 278 f. Für ausführliche Darstellungen der Typen von Produktionsfunktionen sind Coelli et al. (2005), S. 210 ff. und Hoitsch (2000) zu empfehlen. Vgl. Dyckhoff (2000), S. 155; Dyckhoff (2006); Hoopes/Triantis (2001), S. 245 ff.; Triantis (2004), S. 405 f. Vgl. Dyckhoff/Allen (1999), S. 415.
32 erst eine Effizienzmessung, die über eine reine Einteilung in dominierte und nicht dominierte Einheiten hinausgeht. Der Funktionswert eines Effizienzmaßes wird als Effizienzwert bezeichnet.107 Sind die Technologieeigenschaften spezifiziert und daraus resultierend eine Produktionsfunktion im Sinne einer Referenzfunktion bestimmt, können nun die Vergleichsmaßstäbe ermittelt werden, anhand derer die Effizienzmessung erfolgt. Für die Berechnung des Ausmaßes der (In)Effizienz wurde in der Literatur eine Vielzahl von Effizienzmaßen entwickelt. Dies reflektiert die Tatsache, dass es viele mögliche Wege zum Erreichen des Randes gibt. Von deren Spezifizierung hängt die Höhe der Ineffizienz ab. In Zusammenfassung der bisherigen Erkenntnisse des zweiten Kapitels kann festgehalten werden, dass die Effizienz ein dreifach relatives Konzept ist, da sie erstens von den beobachteten Mengen von Vergleichseinheiten, zweitens von der Technologie und drittens vom gewählten Effizienzmaß abhängt. Ein Effizienzmaß sollte die im Folgenden kurz vorgestellten Eigenschaften erfüllen: ökonomische Interpretierbarkeit, Berechenbarkeit (d.h. die Effizienzwerte sollten als Lösung einer nummerischen Prozedur ermittelbar sein), Effizienzindikation (d.h. es sollte anzeigen, ob eine Vergleichseinheit auf dem effizienten Rand liegt oder nicht), Einheiteninvarianz (d.h. die Beurteilung von Effizienz sollte unabhängig von den Maßeinheiten sein, in denen die Inputs und Outputs gemessen werden, um Vergleichbarkeit auch bei beliebigen Datentransformationen zu ermöglichen), Monotonie (d.h. eine Erhöhung der Inputmengen oder eine Reduzierung der Outputmengen sollte nicht zu einer Verbesserung des Effizienzwertes führen) und Stabilität (d.h. Effizienzmaße sollten sich bei kleinen Datenstörungen nicht sprunghaft ändern, sondern stetig sein).108 Nicht jedes Effizienzmaß erfüllt jedoch alle diese Anforderungen. Bezüglich der Frage, welcher Abstand (also was) gemessen werden soll, lassen sich orientierte und unorientierte Effizienzmaße unterschieden.109 Ein Abstandsmaß, das Verbesserungspotenziale nur in Input- oder Outputeinheiten ausdrückt, wird als orientiertes – oder spezieller als input- bzw. outputorientiertes Effizienzmaß – bezeichnet. Effizienzmaße, die Verbesserungen in Form notwendiger Inputsenkungen und notwendiger Outputerhöhungen ausdrücken, werden als unorientiert bezeichnet. Die Effizienzmaße projizieren dabei u.U. auf verschiedene Referenzpunkte auf dem effizienten Rand und ermitteln damit unterschiedliche Zielvorgaben (Targets).110 Diese Referenzpunkte können entweder realen Vergleichseinheiten oder bei Gültigkeit der Konvexitätsannahme auch gewichteten Kombinationen von mehreren Vergleichseinheiten - in Form sog. virtueller Referenzeinheiten - entsprechen. 107 108 109 110
Vgl. Scheel (2000), S. 75 ff. Vgl. zu einer detaillierten Darstellung Scheel (2000), S. 80 ff. Vgl. Scheel (2000), S. 90. Vgl. Allen (2002), S. 50.
33 Bzgl. der Frage, wie der Abstand gemessen werden soll, lassen sich äquiproportionale und additive Effizienzmaße unterscheiden. Mit äquiproportionalen Effizienzmaßen werden Abstände zum effizienten Referenzpunkt relativ, d.h. als prozentualer Anteil angegeben.111 Grafisch messen sie den Abstand einer Vergleichseinheit zum effizienten Rand auf einem Fahrstrahl zum Ursprung des Koordinatensystems.112 Additive Maße drücken den Abstand in absoluten Einheiten aus, der grafisch damit unabhängig von der Richtung des Ursprungs bestimmt wird. 113 Im Folgenden werden einige ausgewählte, für die folgenden Ausführungen dieser Arbeit relevante Effizienzmaße vorgestellt, die Kombinationen aus Ausprägungen der beiden genannten Dimensionen (was und wie) darstellen. Das unorientierte äquiproportionale Effizienzmaß gibt den größtmöglichen Faktor an, um den alle Input- und Outputmengen einer Vergleichseinheit simultan verbessert werden können.114 Häufiger greift man auf orientierte äquiproportionale Effizienzmaße zurück, die als radiale Effizienzmaße bezeichnet werden und von allen später genauer vorgestellten Verfahren der Effizienzmessung verwendet werden. Das inputorientierte radiale Effizienzmaß gibt an, um wie viel Prozent alle Inputmengen simultan unter Beibehaltung der aktuellen Proportionen gesenkt werden könnten, ohne dass dies zu einer Verringerung des Outputs führt.115 Das outputorientierte radiale Effizienzmaß gibt an, um wie viel Prozent alle Outputs einer Vergleichseinheit gleichzeitig erhöht werden können, ohne dass eine oder mehrere Inputs erhöht werden müssen.116 Das Konzept der radialen Effizienz geht auf Farrell zurück.117 Aus einer inputorientierten Sichtweise wird eine Aktivität somit als radial effizient bezeichnet, wenn es nicht möglich ist, alle Inputmengen bei gleich bleibenden Outputmengen um den gleichen Faktor proportional zu verringern. Aus einer outputorientierten Perspektive liegt radiale Effizienz vor, wenn es nicht mehr möglich ist, alle Outputmengen - bei konstantem Input - proportional zu erhöhen. Der Hauptnachteil der radialen Effizienzmaße besteht in der ausschließlichen Konzentration auf das allgemeine Input- bzw. Outputniveau. Somit werden nur gleichzeitige Änderungen aller Input- bzw. Outputmengen betrachtet, nicht aber Änderungen am Input- oder Output-Mix, d.h. den Anteilen der einzelnen Input- bzw. Outputmengen untereinander. Radiale Effizienzmaße lassen mögliche residuale Verbesserungen einzelner Inputs oder Outputs, die nach der für alle Parameter möglichen pro111 112
113 114 115 116 117
Vgl. Allen (2002), S. 51. Vgl. Cantner/Hanusch (1998), S. 230. Diese Aussage bezieht sich auf den Fall mehrerer Inputs bzw. mehrerer Outputs. Vgl. Allen (2002), S. 51. Vgl. Scheel (2000), S. 91. Vgl. Färe/Lovell (1978), S. 153 ff. Vgl. Scheel (2000), S. 93. Vgl. Farrell (1957) S. 254. Radiale Effizienz wird deshalb auch als „Farrell-Effizienz“ bezeichnet; vgl. Cooper/Seiford/Tone (2000), S. 44.
34 zentualen Änderung bestehen, unberücksichtigt. Sie sind daher nicht zwingend ein Indikator für Pareto-Koopmans-Effizienz.118 Hieraus folgt, dass diese Maße die Bedingung der strikten Monotonie nicht erfüllen. Ist eine Input-Output-Kombination jedoch Pareto-Koopmans-effizient, ist sie stets auch nach Farrells Definition effizient. Das unorientierte additive Maß gibt die maximal mögliche Summe aller Verbesserungen der Input- und Outputmengen einer Vergleichseinheit an. Die in absoluten Mengeneinheiten ausgedrückten Verbesserungsmöglichkeiten der Inputs und Outputs werden als Schlupf (Slacks) bezeichnet.119 Das inputorientierte additive Effizienzmaß gibt die maximale Summe an Inputeinheiten an, die ohne eine Reduzierung der Outputmengen verringert werden können. Das outputorientierte additive Effizienzmaß gibt hingegen die maximale Summe aller Outputmengenerhöhungen an, die ohne eine Erhöhung der Inputmengen möglich sind.120 Additive Effizienzmaßen erfüllen aufgrund ihrer Abhängigkeit von den Maßeinheiten der Inputs und Outputs nicht die geforderte Eigenschaft der Skaleninvarianz und der leichten Interpretierbarkeit, d.h. bei Datentransformationen würde sich die ökonomische Interpretation ändern.121 Da für eine effiziente Vergleichseinheit keinerlei Verbesserungen möglich sind, nehmen alle Effizienzmaße für sie stets Werte von Null an. Ineffiziente Vergleichseinheiten erhalten hingegen positive Effizienzwerte. Streng genommen müsste daher eigentlich von Ineffizienzmaßen gesprochen werden, da sie angeben, wie weit eine Einheit vom Rand entfernt liegt (verbliebene Ineffizienz) und nicht die Nähe zum Rand (erreichte Effizienz), d.h. die Strecke vom Nullpunkt bis zur betrachteten Einheit ausweisen. Nur äußerst selten lässt sich ein Wertschöpfungsprozess anhand nur eines Inputs und eines Outputs beschreiben. Im realistischeren, mehrdimensionalen Fall ergeben sich jedoch Probleme bei der Formulierung von Produktivitätskennzahlen. Die zentrale Herausforderung dabei ist es, die verschiedenen Input- bzw. Outputmengen zu jeweils einer Größe zusammenzufassen. Diese Aggregation ist deshalb von großer Bedeutung, da die Verwendung einzelner Input-Output-Kennzahlen (Teilproduktivitäten) keine konsistenten Effizienzindikationen zulässt, falls eine bestimmte Vergleichseinheit bezüglich einer Kennzahl als effizient, bezüglich einer anderen jedoch als ineffizient einzustufen ist. Im mehrdimensionalen Fall ergibt sich die Produktivitätskennzahl als Verhältnis aus aggregiertem Output und aggregiertem Input. Die Aggregation erfordert dabei stets die Festlegung einer Verknüpfungsregel, die eine Bewertung (Gewichtung) der Inputs und Outputs voraussetzt, um diese vergleichbar 118 119 120 121
Vgl. Kreuder (2003), S. 42; Scheel (2000), S. 95 f. Vgl. Cooper/Seiford/Tone (2000), S. 44. Vgl. Scheel (2000), S. 105. Vgl. Scheel (2000), S. 106.
35 bzw. gleichnamig zu machen. Existieren objektive, allgemein zugängliche Bewertungen in Form von Marktpreisen bzw. werden die Inputs und Outputs von vornherein wertmäßig gemessen, ist die Bestimmung des Produktivitätsquotienten genauso unproblematisch wie im zweidimensionalen Fall. Bei Vorliegen von Preisen können die mengenmäßigen Inputs bzw. Outputs durch Multiplikation mit Preisen und anschließende Addition direkt in einen wertmäßigen Gesamtoutput und -input überführt werden.122 Im Marketing sind allerdings Bewertungen der dazu oft noch in verschiedenen Maßeinheiten vorliegenden Inputs und Outputs (Stückzahlen, Gewichtseinheiten, Prozentwerte, Indexwerte, Ratings etc.) zumeist nicht vorhanden, weshalb sich diese nicht einfach summieren lassen.123 Zur Ermittlung von Gewichten und zur sachgerechten Bewertung macht die Produktionstheorie jedoch keine weiteren Aussagen, weshalb eine Produktivitätsmessung im multiplen-Input-multiplen-Output-Fall auf die Heranziehung zusätzlicher Erkenntnisbereiche angewiesen ist.124 Da die Bewertungsproblematik ein konstituierendes Forschungsobjekt der Entscheidungstheorie ist, wird diese im folgenden genauer behandelt.
2.2.
Entscheidungstheoretische Grundlagen
2.2.1.
Grundprinzipien der präskriptiven Entscheidungstheorie
Die Entscheidungstheorie bildet eine zur Produktionstheorie ergänzende Sichtweise der Produktivitätsanalyse. Während bei der Produktionstheorie die Aktivitäten und die daraus resultierenden Eigenschaften von Technologien und Produktionsfunktionen im Mittelpunkt stehen, befasst sich die Entscheidungstheorie mit der Güte bzw. Vorziehenswürdigkeit von Handlungsalternativen (hier: Produktionen), die von Entscheidungsträgern (etwa dem Marketing-Management eines Unternehmens) ausgewählt werden.125 Dabei werden die Handlungsmöglichkeiten als gegeben betrachtet. Die präskriptive Entscheidungstheorie versucht, aufbauend auf möglichst widerspruchsfreien Modellen und logischen Schlussfolgerungen, Empfehlungen zu geben, wie Individuen oder Gruppen in bestimmten Situationen entscheiden sollen. Dabei ist von der getroffenen Entscheidung der Anspruch der Rationalität zu erfüllen.126 Das Grundprinzip der Entscheidungstheorie besteht darin, komplexe Entscheidungsprobleme in seine Komponenten zu zerlegen, diese zu analysieren und dann die Ergebnisse zu einer Gesamtlösung des Entscheidungsproblems zusammenzuführen.
122 123 124 125 126
Vgl. Bucklin (1978a), S. 2 ff. Vgl. Allen (2002), S. 55 f. Vgl. Dyckhoff (2003), S. 718 f.; Schneider (1997), S. 350. Vgl. Esser (2001). Vgl. Zimmermann/Gutsche (1991), S. 2.
36 Vier Komponenten eines entscheidungstheoretischen Grundmodells lassen sich dabei unterscheiden.127 Entscheidungen beziehen sich stets auf eine Menge von Alternativen aus der die beste auszuwählen ist. Die Eigenschaften der Alternativen, die die Entscheidungskriterien darstellen, werden als Ziele bezeichnet. Hierbei muss angegeben werden, ob eine hohe oder niedrige Ausprägung der Ziele angestrebt wird. Da Alternativen in der Regel durch mehrere Eigenschaften beschrieben werden, sind in einer Entscheidungssituation mehrere Zielgrößen relevant, die oftmals konfligierend und in verschiedenen Maßeinheiten gegeben sind. Weiterhin wird das Entscheidungsergebnis von Umweltzuständen abhängig sein, die durch den Entscheider nicht beeinflussbar sind. Konsequenzen beschreiben die Wirkungen einer Alternative im Hinblick auf die Ziele im jeweiligen Zustand. Auch produktive Einheiten werden regelmäßig durch eine Vielzahl verschiedener Attribute in Form multipler Inputs und Outputs beschrieben, die simultan bei der Effizienzbewertung zu integrieren sind. Diese Problematik ist in Situationen relevant, wie sie in der Realität üblicherweise vorliegen und die mit dem Begriff Multi Criteria Decision Making (MCDM) beschrieben werden. Multikriterielle Entscheidungen bilden als Standardentscheidungssituation bereits seit vielen Jahren den zentralen Forschungsbereich der Entscheidungstheorie.128 Insofern ist das entscheidungstheoretische Modell im Kontext der Effizienzanalyse eine Verallgemeinerung des produktionstheoretischen Modells. So entsprechen die Alternativen (Aktivitäten) einer endlichen Menge an Vergleichseinheiten j . Die zu minimierenden bzw. zu maximierenden Ziele sind die ausgewählten Input- und Outputparameter i und r . Die Konsequenzen entsprechen dann den zugehörigen Input- und Outputquantitäten xi und y r , die für die einzelnen Alternativen und einen bestimmten Zustand c beobachtet wurden. Eine sehr allgemein gültige Ergebnis- oder Bewertungsfunktion lautet dann: ( xi , y r ) = g ( j , c ) . Die Input- und Outputquantitäten sowie die bewerteten Inputs und
Outputs („Outcome“), z.B. bei Vorliegen von Preisen die Kosten und Erlöse, sind Folge einer Aktivität eines Produzenten sowie eines Umweltzustandes und lassen sich grundsätzlich immer der Handlung bzw. der durch sie herbeigeführten Entscheidung eindeutig zuordnen.129 Die Entscheidungstheorie unterstellt also, dass alle Aktivitäten allein anhand ihrer Ergebnisse g ( j , c ) beurteilt werden können. Bei deterministischen Betrachtungen, die Entscheidungen bei Sicherheit unterstellen, besteht der Zustandsraum nur aus einem Element und kann ignoriert werden. In den Vordergrund rücken dann die Aktivitäten j als Teilmenge der Technologie Τ und die Ergebnisfunktion nimmt dann die Form g ( j ) an. 127 128 129
Vgl. Eisenführ/Weber (2003); Hoitsch/Lingnau (2004), S. 32 f. Vgl. Stewart (1996), S. 654. Vgl. Allen (2002), S. 58; Dyckhoff (2003), S. 719; Stewart (1996), S. 660.
37 Auch in der Entscheidungstheorie leitet sich der Effizienzbegriff aus dem Dominanzprinzip ab, welches ein formales Rationalitätspostulat für Entscheidungen darstellt. Eine Alternative ist effizient in Bezug auf die betrachteten Zielgrößen, wenn es keine andere Alternative gibt, die hinsichtlich sämtlicher Konsequenzen mindestens ebenso gut ausgeprägt ist und bei mindestens einer Konsequenz einen besseren Wert aufweist.130 Weitet man diese Betrachtung auf die gesamte Alternativenmenge aus, kommt man wiederum, wie auch in der produktionstheoretischen Betrachtung, zum Begriff der Pareto-Optimalität. Bei einer nicht dominierten oder Pareto-optimalen Lösung lässt sich keine Attributsausprägung verbessern, ohne mindesten eine andere zu verschlechtern.131
2.2.2.
Effizienzmessung im Lichte der Entscheidungstheorie
Um die Gesamteffizienz einer Alternative in Form einer singulären Kennzahl quantifizieren zu können, müssen die oben beschriebenen Bewertungen der Ziele generiert werden. Diese sind notwendig, um Funktionen g ( j ) zu spezifizieren, anhand derer die multiplen Inputs und Outputs mathematisch verknüpft und so anschließend zu einer Output-Input-Verhältniszahl aggregiert werden können. Diese Bewertungen der Konsequenzen einer Alternative, d.h. der Input- und Outputausprägungen, fließen als Gewichte für die Inputs und Outputs in die Entscheidungsfindung ein. Erst solche Gewichtungen ermöglichen eine Erweiterung des binären Effizienzverständnisses, indem das Ausmaß der Effizienz bzw. Ineffizienz angegeben werden kann. Die Art der Gewichtung ist dabei von großer Bedeutung, da sie sich stark auf die Bewertung der Alternativen und somit auf ihren Effizienzwert auswirkt. Zur Bestimmung der Gewichte der einzelnen Inputs und Outputs im Rahmen der Effizienzmessung im mehrdimensionalen Fall gibt es prinzipiell zwei Möglichkeiten: Bei der endogenen Bestimmung werden die Gewichte durch nummerische Verfahren der mathematischen Programmierung ermittelt und sind somit nicht mehr Prämissen, sondern das Ergebnis von Methoden. Bei der exogenen Bestimmung müssen die Gewichte von außen, in der Regel vom Entscheidungsträger vorgegeben bzw. von einer Gruppe von Individuen ausgehandelt werden. Sie können aber auch durch andere „Institutionen“ wie den Markt gegeben sein. Die exogenen Vorgaben können also in Form subjektiver Werturteile oder „objektiver“ Maße erfolgen. Subjektive Werturteile stellen die Präferenzen des oder der Entscheidungsträger(s) dar, die in Form eines identischen Gewichtungsvektors für alle Vergleichseinheiten 130
131
Vgl. Dyckhoff/Ahn (2001), S. 115; Kleine (2002), S. 20 ff. Es wird grundsätzlich vorausgesetzt, dass eine Erhöhung des Outputs bzw. eine Verringerung des Inputs immer eine Verbesserung darstellt. Vgl. Bouyssou (1999), S. 974; Zimmermann/Gutsche (1991), S. 35.
38 angewendet werden. In der Regel resultieren aus der Abstimmung von Präferenzen hierarchische Zielsysteme mit über- und untergeordneten Zielen, wobei Zielkonflikte nicht auszuschließen sind, weshalb selbst auf oberster Ebene der Zielhierarchie auch nach Aggregation keine vollständige Präferenzrelation aller Aktivitäten erreicht werden kann.132 Sind keine kompletten Informationen bzgl. der Präferenzstruktur vorhanden, können auch Anspruchsniveaus, relative Wichtigkeiten der Attributsausprägungen oder lediglich sog. Substitutionsraten (Trade offs) vorgegeben werden.133 Als Methoden zur Spezifizierung exogener Bewertungsfunktionen aus subjektiven Wichtigkeitsangaben haben sich die Nutzwertanalyse, die multiattributive Werttheorie und der Analytic Hierarchy Process (AHP) in der Literatur etabliert, die unterschiedlichen theoretischen Ansprüchen genügen.134 Um die Problematik der Subjektivität abzumildern, kann versucht werden, auf objektivere Bewertungen, etwa in Form von Marktpreisen, zurückzugreifen. Ließen sich z.B. alle eingesetzten Ressourcen am Markt beschaffen und auch alle Outputs in Preisen ausdrücken, dann könnten alle zu einem Input bzw. Output reduziert werden und die Gewichtungsproblematik wäre obsolet.135 Da in den meisten Fällen solche Preise nicht vorliegen, muss auf Präferenzen der Entscheidungsträger zurückgegriffen werden, die stets mehr oder weniger arbiträr und folglich potenziell unrealistisch sind. Unabhängig davon werden im Rahmen der exogenen Bestimmung regelmäßig fixierte Gewichtungen der Attribute für alle Alternativen zugewiesen, die keine flexible Anpassung an spezifische Charakteristika (Stärken und Schwächen, Struktur) der Entscheidungseinheiten ermöglichen. Problematisch daran ist, dass somit für alle Vergleichseinheiten ein einheitlicher, möglicherweise willkürlicher Standard gilt, da durch die Zuweisung identischer Gewichtungsparameter allen Vergleichseinheiten ein und derselbe Referenzpunkt als Maßstab vorgegeben wird. So wird bei dieser Vorgehensweise die Tatsache vernachlässigt, dass maximale Effizienz durch verschiedene Strategien bzw. InputOutput-Kombinationen zu erreichen ist.136 Eine endogene Ermittlung kann die genannten Nachteile der exogenen Vorgabe vermeiden, da aus einem Optimierungsmodell heraus für jede Vergleichseinheit individuelle Gewichte allein aus den empirisch beobachteten Input- und Outputdaten bestimmt werden. Diesem Ansatz folgen die im nächsten Kapitel eingehend beschriebenen nicht parametrischen Methoden zur Effizienzmessung. Liegen die Bewertungen vor, werden die gewichteten Inputs und Outputs zu einem Gesamtwert bzw. Effizienzwert aggregiert.137 Die meisten Verfahren verwenden eine 132 133 134 135 136 137
Vgl. Esser (2001). Vgl. Bamberg/Coenenberg (2004), S. 56 f.; Zimmermann/Gutsche (1991), S. 29. Vgl. zu diesen Verfahren Eisenführ/Weber (2003). Vgl. Dyson/Thanassoulis (1988), S. 565. Vgl. Bauer/Hammerschmidt (2002), S. 8. Vgl. Stewart (1996), S. 656 ff.
39 additive Verknüpfungsfunktion, die kompensatorische Beziehungen (Substituierbarkeit) zwischen den Attributen annehmen, so dass ein schlechter Wert eines Attributs durch einen hohen Wert eines anderen Attributs ausgeglichen werden kann.138 Die Effizienzwerte ermöglichen nun eine metrische Messung der Effizienz der Alternativen und damit eine Auswahl zwischen ihnen auch im mehrdimensionalen Fall. Ohne auf die Details verschiedener MCDM-Modelle eingehen zu können, sei zusammenfassend darauf hingewiesen, dass die meisten Verfahren regelmäßig zu starke Bewertungsinformationen als Dateninput benötigen, die entweder (gerade bei Mehrpersonenentscheidungen) nicht verfügbar sind bzw. durch den Machteinfluss bestimmter Entscheidungsträger verzerrt werden oder oft bereits einfache Rationalitätspostulate verletzen. Daher besteht für die Effizienzanalyse aus entscheidungstheoretischer Sicht die zentrale Herausforderung darin, ohne die Vorgabe exogener Input- und Outputbewertungen auszukommen. Wie oben bereits angerissen, erfüllen jene Verfahren diese Forderung, die die Attributgewichte endogen bestimmen. Hierbei werden Gewichtsvektoren so errechnet, dass die Zielfunktion den maximal möglichen Wert annimmt.139 Eine solche Möglichkeit der endogenen, objektiven Bestimmung von Wertfunktionen ohne notwendiges A-Priori-Wissen bzgl. der relativen Wichtigkeiten der Attribute bietet die Data Envelopment Analysis. Deren Eignung zur Effizienzmessung wird später noch ausführlicher begründet.
2.3.
Zwischenfazit
Sowohl im Rahmen der Produktions- als auch der Entscheidungstheorie wird der Effizienzbegriff aus dem Dominanzprinzip abgeleitet. Beide Perspektiven postulieren ein relatives, dem Grundgedanken des Benchmarking folgendes Konzept der Effizienz als einzig aussagekräftig und brauchbar im betriebswirtschaftlichen Kontext, was erst recht für das Marketing als markt- und wettbewerbsorientiertes Führungskonzept im Speziellen gilt. Die Quantifizierung der relativen Effizienz erfolgt in der Produktionstheorie über den Vergleich der Produktivitätskennzahlen verschiedener Aktivitäten. Die Vorgehensweise dieses Vergleichs wird durch das Effizienzmaß festgelegt. Ein solcher Vergleich kommt aber nur im eindimensionalen Fall ohne weitere Informationen aus. Sobald mehr als ein Input und/oder mehr als ein Output vorliegen, sind Bewertungen nötig, die nur durch Anwendung entscheidungstheoretischer Erkenntnisse ermittelt werden können. Da die Entscheidungstheorie auch die Problematik einer Effizienz138
139
Vgl. Zimmermann/Gutsche (1991), S. 27 f. Nicht-kompensatorische Verfahren ermöglichen dagegen keinen Ausgleich zwischen den Attributen. Beispiele hierfür sind lexikografische Regeln (auch Zielunterdrückung) und die aspektweise Elimination von Alternativen; vgl. auch Bamberg/Coenenberg (2004), S. 57 f. Vgl. Bouyssou (1999), S. 975 ff.
40 messung im mehrdimensionalen Fall explizit thematisiert, ist sie eine wichtige Ergänzung zur Produktionstheorie. Beide Theoriebereiche bilden den Rahmen für die Gütebeurteilung der verschiedenen Effizienzanalysemethoden und die Auswahl einer geeigneten Methode im Marketing. Bevor diese Problemstellungen ausführlich im Teil C dieser Arbeit behandelt werden, folgt im letzten Kapitel des Teils B die Konkretisierung des Konzeptes der Marketingeffizienz als Ausgangspunkt aller nachfolgenden Ausführungen.
3.
Konzeptualisierung der Marketingeffizienz
3.1.
Forschungsansätze der Marketingeffizienz
3.1.1.
Makroökonomische Ansätze der Marketingeffizienz
Den Beginn der Forschungen zur Marketingproduktivität markieren die Arbeiten von Turck und Alderson in den Vereinigten Staaten. Diese Beiträge konzentrierten sich auf die Produktivitätsentwicklung der Distributionsorgane Groß- und Einzelhandel und deren Auswirkungen auf die gesamte Volkswirtschaft. Sie werden daher als makroökonomische Ansätze bezeichnet und sind durch den Einsatz von Mengengrößen und die Bestimmung von Teilproduktivitäten, meist der Arbeitsproduktivität, gekennzeichnet.140 Hierbei wird typischerweise die produzierte Menge durch die dafür benötigten Arbeitsstunden bzw. die Anzahl der Mitarbeiter dividiert. Eine Weiterführung der makroökonomischen Forschungsrichtung sind Langzeitstudien zur physischen Arbeitsproduktivität im Groß- und Einzelhandel in verschiedenen Ländern.141 In Ermangelung von Kosten- und Umsatzdaten wird Distributionsproduktivität auch hier als Output pro Angestellten bzw. pro Mannstunde definiert, wobei als Output die versandten Einheiten des gesamten Distributionssystems verwendet werden. Die Ermittlung der Distributionseffizienz im Zeitverlauf erfolgt anhand von Indexzahlen.142 Das Effizienzmaß eines Jahres – in Form eines Output-Input-Verhältnisses – wird auf den Wert Basisperiode normiert, wodurch sich Veränderungen im Zeitverlauf messen und interpretieren lassen. So kann z.B. Barger eine im Vergleich zum produzierenden Gewerbe unterproportional wachsende Produktivität des Einzel- und Großhandels ermitteln.143 Diese frühen Arbeiten lassen bereits einige für die makroökonomische Schulrichtung typische Schwächen erkennen. Zum einen sind diese Studien wenig aufschlussreich für das Verständnis der Einflussfaktoren der Marketingproduktivität auf Firmenebene. Zum anderen erweist sich deren enge Operationalisierung, die über die physische 140 141 142 143
Vgl. Alderson (1948); Turck (1948). Vgl. Barger (1955); George (1966). Vgl. Barger (1955), S. 38; Steiner (1978), S. 63 f. Vgl. Barger (1955), S. 10.
40 messung im mehrdimensionalen Fall explizit thematisiert, ist sie eine wichtige Ergänzung zur Produktionstheorie. Beide Theoriebereiche bilden den Rahmen für die Gütebeurteilung der verschiedenen Effizienzanalysemethoden und die Auswahl einer geeigneten Methode im Marketing. Bevor diese Problemstellungen ausführlich im Teil C dieser Arbeit behandelt werden, folgt im letzten Kapitel des Teils B die Konkretisierung des Konzeptes der Marketingeffizienz als Ausgangspunkt aller nachfolgenden Ausführungen.
3.
Konzeptualisierung der Marketingeffizienz
3.1.
Forschungsansätze der Marketingeffizienz
3.1.1.
Makroökonomische Ansätze der Marketingeffizienz
Den Beginn der Forschungen zur Marketingproduktivität markieren die Arbeiten von Turck und Alderson in den Vereinigten Staaten. Diese Beiträge konzentrierten sich auf die Produktivitätsentwicklung der Distributionsorgane Groß- und Einzelhandel und deren Auswirkungen auf die gesamte Volkswirtschaft. Sie werden daher als makroökonomische Ansätze bezeichnet und sind durch den Einsatz von Mengengrößen und die Bestimmung von Teilproduktivitäten, meist der Arbeitsproduktivität, gekennzeichnet.140 Hierbei wird typischerweise die produzierte Menge durch die dafür benötigten Arbeitsstunden bzw. die Anzahl der Mitarbeiter dividiert. Eine Weiterführung der makroökonomischen Forschungsrichtung sind Langzeitstudien zur physischen Arbeitsproduktivität im Groß- und Einzelhandel in verschiedenen Ländern.141 In Ermangelung von Kosten- und Umsatzdaten wird Distributionsproduktivität auch hier als Output pro Angestellten bzw. pro Mannstunde definiert, wobei als Output die versandten Einheiten des gesamten Distributionssystems verwendet werden. Die Ermittlung der Distributionseffizienz im Zeitverlauf erfolgt anhand von Indexzahlen.142 Das Effizienzmaß eines Jahres – in Form eines Output-Input-Verhältnisses – wird auf den Wert Basisperiode normiert, wodurch sich Veränderungen im Zeitverlauf messen und interpretieren lassen. So kann z.B. Barger eine im Vergleich zum produzierenden Gewerbe unterproportional wachsende Produktivität des Einzel- und Großhandels ermitteln.143 Diese frühen Arbeiten lassen bereits einige für die makroökonomische Schulrichtung typische Schwächen erkennen. Zum einen sind diese Studien wenig aufschlussreich für das Verständnis der Einflussfaktoren der Marketingproduktivität auf Firmenebene. Zum anderen erweist sich deren enge Operationalisierung, die über die physische 140 141 142 143
Vgl. Alderson (1948); Turck (1948). Vgl. Barger (1955); George (1966). Vgl. Barger (1955), S. 38; Steiner (1978), S. 63 f. Vgl. Barger (1955), S. 10.
41 Distribution hinausgehende Leistungen und deren Qualität nicht berücksichtigt, als problematisch.144 Durch die Konzentration auf den Einzel- und Großhandel wird letztlich nur die Produktivität der Distribution und nicht des Marketing untersucht, was die historische Entwicklung des Marketing als Verkaufskonzept im Sinne von Absatzwirtschaft widerspiegelt. Später werden makroökonomische Arbeiten auf die Untersuchung der wertmäßigen Produktivität ausgedehnt, indem der Output auch anhand monetärer Größen gemessen wird. Dies geschieht meist anhand des Umsatzes in inflationsbereinigten Dollars (constant dollars), um die Neutralisierung von preis- und mengenbedingten Effekten zu verhindern. Ferner streben diese fortgeschrittenen Studien in stärkerem Maße eine Messung der Gesamtproduktivität des Handels an, indem neben der Arbeitsauch die Kapitalproduktivität (total asset productivity) einbezogen wird.145 Sie konzentrierten sich auf die Höhe der Distributionskosten und -produktivität im Vergleich zur Fertigungsproduktivität in einer bestimmten Periode, wobei die Marketingproduktivität einer Ökonomie als Black Box-Modell betrachtet wird. Da aufgrund der Nichtverfügbarkeit entsprechender Marketingdaten auf volkswirtschaftliche Daten zur Gesamtproduktivität wie Umsätze und Wertschöpfung (value added) zurückgegriffen wurde, kann bisher von der Messung der Marketingproduktivität keine Rede sein.146 Eine nächste Stufe in der makroökonomischen Forschung stellen Arbeiten dar, die in den Distributionsoutput neben tangiblen Leistungen wie Raum- und Zeitüberbrückung vermehrt auch intangible Handelsfunktionen wie Preisfindung, Absatzfinanzierung, Sortimentsbildung und Informationsleistungen einbeziehen.147 Diese stellen deutlich reifere Ansätze dar. So werden die Umsätze der vom Handel angebotenen Dienstleistungen als Outputs, die gesamten genutzten Ressourcen (Material, Marketingaufwand, Arbeit, Kapital) als Inputs verwendet. Mit dieser besseren Datengrundlage, die auch Serviceleistungen des Handels einbezog, konnte etwa Bucklin die Ergebnisse von Barger größtenteils widerlegen.148 Ingene erweitert die Inputbasis und untersucht mittels Regressionsanalyse in diversen geografischen Räumen zusätzlich die Wirkung von Umwelt- und Wettbewerbsfaktoren auf die Produktivität des Handels.149 Die Studien der makroökonomischen Richtung leiden an einigen erheblichen Mängeln, die deren Aussagekraft stark einschränken. Sie reduzieren Marketing im Wesentlichen auf die Distributionsorgane einer Volkswirtschaft und sehen die Hauptauf-
144 145 146 147 148 149
Vgl. Bonoma/Clark (1992), S. 10 f. Vgl. Beckman (1965); Cox/Goodman/Fichandler (1965); Denison (1970). Vgl. Bonoma/Clark (1992), S. 9. Vgl. Bucklin (1978a); Cox/Goodmann/Fichandler (1965), S. 16 ff. Vgl. Bucklin (1978a), S. 49 ff. Vgl. Ingene (1983), S. 85 f.
42 gabe des Marketing als “…providing place, time, and possession utility to the consumer”150. Autoren
Untersuchungsgegenstand
Inputs
Outputs
Methode
Alderson (1948)
Groß- und Einzelhandel in USA
• Arbeitsstunden
• Absatz
Kennzahlenvergleich
Turck (1948)
Groß- und Einzelhandel in USA
• Arbeitsstunden
• Absatz
Kennzahlenvergleich
Barger (1955)
Groß- und Einzelhandel in USA
• Anzahl der Arbeiter und
• Menge der trans-
ZeitreihenIndexanalyse
Groß- und Einzelhandel in USA
• Mannstunden • Tangibles Kapital (Ge-
Beckman (1957)
Mannstunden
samtes Umlauf- und Anlagevermögen)
portierten Einheiten
• Inflationsbereinigter ZeitreihenUmsatz (sales in constant dollars)
Cox/Goodman Groß- und Einzel/Fichandler handel in USA (1965)
• Erbrachte Dienstleistun-
George (1966) Einzelhandel in 160 Städten in Großbritannien
• Anzahl Angestellter • Umsatz • Ladenfläche • Marktanteil • Pro Kopf-Einkommen und
gen
• Wertschöpfung (value added)
Indexanalyse
Kennzahlenvergleich Kennzahlenvergleich
Einwohnerzahl im bearbeiteten Markt
• Mitgliedschaft in Einzelhandelskette Denison (1970)
White (1973)
Bucklin (1978b)
Groß- und Einzelhandel in 8 europäischen Ländern und USA Warenhäuser
Groß- und Einzelhandel in USA und Japan
• • • • •
Arbeit Kapital
• Inflationsbereinigter ZeitreihenUmsatz (sales in constant dollars)
Indexanalyse
Fläche Wissensfortschritt Arbeitseinsatz und Kapitaleinsatz (Warenhausfläche)
• Marketingaufwand • Arbeit (Qualität der Arbeitskräfte, durchschnittliche Lohnhöhe)
• Wertschöpfung zu realen Preisen
• Umsatz pro Be-
Kennzahlenvergleich Indexanalyse
schäftigten
• Qualität der angebotenen Dienstleistungen
• Boden (Verkaufsfläche) Steiner (1978) Groß- und Einzel- • Anzahl Mitarbeiter
• Inflationsbereinigter Zeitreihen-
Ingene (1983)
• Umsatz pro Be-
handel in USA
Lebensmitteleinzelhandel in USA
Umsatz
• • • • • •
Zahl der Angestellten Lohn der Angestellten
schäftigte
Geschäftsgröße Kapitalintensität Steuerlast Ökonomische Rahmenbedingungen (Einkommen, Haushaltsgröße, Veekehrsaufkommen, Bevölkerungszuwachs)
Tabelle 2: Makroökonomische Beiträge zur Marketingeffizienz 150
Beckman (1960), S. 312.
Indexanalyse Regression (multiplikatives Modell)
43 In diesem Sinne wird Marketing nicht als Unternehmensfunktion, sondern quasi als volkswirtschaftlicher Sektor bzw. Branche begriffen. Insbesondere die problematische Operationalisierung der Inputs und Outputs wird in der Literatur bemängelt, welche überwiegend Folge ungenügenden statistischen Datenmaterials ist.151 Kein Ansatz erfasst die relative Effizienz zum Wettbewerb anhand multipler Kennzahlen. Zur Erstellung eines vollständigen Bildes der Gesamtproduktivität wären neben der Arbeitsproduktivität weitere, v.a. immaterielle Faktoren zu berücksichtigen, deren Erfassung sich aufgrund der Komplexität und mangelnder Datenbasis als unlösbare Aufgabe herausstellte. Weiterhin erscheint es unmöglich, auf Basis der gesamtwirtschaftlichen Daten Teilproduktivitäten der einzelnen Marketingfunktionen über die Distribution hinaus zu betrachten, die jedoch für eine Messung der Marketingperformance unverzichtbar sind. Schließlich basieren die makroökonomischen Studien überwiegend auf der Annahme, dass die Outputziele lediglich durch die Maximierung von Umsatz bzw. Gewinn oder Wertschöpfung konstituiert werden.152 Obwohl sich die makroökonomischen Beiträge durch anspruchsvolle Messmethoden auszeichnen und einige Erkenntnisse zum Beitrag der Distributionsinstitutionen zum Konsumentennutzen, zum Ausmaß der Umwälzung der Kosten der Distributionsaktivitäten auf die Konsumenten und zur gesellschaftlichen Wohlfahrt leisten, bieten sie nur wenig Managementimplikationen.153 Aus diesem Grund entwickelte sich ab Mitte der 60er Jahre parallel zu den makroökonomischen Beiträgen eine mikroökonomische Forschungsrichtung, die die Marketingproduktivität und deren Determinanten auf Unternehmensebene fokussiert.
3.1.2.
Mikroökonomische Ansätze der Marketingeffizienz
Als Antwort auf die Schwächen der makroökonomischen Arbeiten und aufbauend auf Konzeption und Methodik dieser Richtung entstanden die mikroökonomisch ausgerichteten Ansätze. Diese streben letztlich Empfehlungen zu einer produktiveren Leistungserstellung des Marketing als einer Unternehmensfunktion an. Das mikroökonomische Verständnis der Marketingeffizienz hat sich inzwischen in der Literatur etabliert und die zu stark abstrahierende makroökonomische Perspektive abgelöst. Im Rahmen des mikroökonomischen Effizienzbetrachtung lassen sich zunächst zwei grundsätzliche Aggregationsebenen unterscheiden, deren Inputs und Outputs sich an den angestrebten Zielgrößen und den zur Zielerreichung einzusetzenden Mitteln orientieren. Der aggregierte Marketingeffizienzbegriff bezieht sich auf die Messung der globalen Leistungsfähigkeit der gesamten Marketingfunktion bzw. der gesamten 151 152 153
Vgl. Daum (2001), S. 13. Vgl. Bonoma/Clark (1992), S. 18.; Kleemann (2004), S. 17 ff. Vgl. Daum (2001), S. 14.
44 Marketingorganisation eines Unternehmens. Demgegenüber bezieht sich die disaggregierte Marketingeffizienzmessung auf die einzelnen Strategien und operativen Instrumente (4 Ps) des Marketing.154 Auf beiden Ebenen der mikroökonomische Perspektive lassen sich zwei Gruppen von Ansätzen - finanzielle und um nicht finanzielle Aspekte erweiterte Ansätze – unterscheiden.155 Zunächst sollen diese zwei Gruppen kurz charakterisiert werden, bevor die Konzepte der aggregierten und der disaggregierten Effizienz dargestellt werden und eine Bestandsaufnahem der Literatur hierzu erfolgt.
3.1.2.1. Finanzielle Ansätze der Marketingeffizienz Der Schwerpunkt der finanziellen Ansätze liegt auf der verursachungsgerechten Zurechnung der Marketingkosten zu den Erlösen aus den jeweiligen Marketingaktivitäten.156 Ein mit dem Übergang von Verkäufer- zu Käufermärkten einhergehender starker Anstieg der Marketingkosten, die inzwischen oft sämtliche andere Kosten übersteigen, ist als Ursache dieser Entwicklung zu sehen.157 Aufgrund der dominierenden Vorgehensweise, zunächst den Erlös aus Marketingaktivitäten zu betrachten, um dann die entsprechenden Marketingkosten anzurechnen, werden die finanziell orientierten Untersuchungen auch unter dem Schlagwort Profitabilitätsansätze zusammengefasst.158 Begründer dieser Richtung sind Sevin und Feder, substantielle Weiterentwicklungen erfolgten durch Thomas. Marketingproduktivität wird hier als Verhältnis von Umsatz bzw. Deckungsbeitrag (effect produced) zu den Marketingkosten (energy expended) definiert.159 Diese Größen werden zur Bestimmung der Elastizität des Deckungsbeitrages bei einer Erhöhung der Ausgaben bzgl. der Marketinginstrumente Werbung und Verkaufsförderung herangezogen, die Empfehlungen für die Budgetallokation liefern. Ziel ist es dabei, Marketingkosten und -erlöse für die jeweiligen Absatzsegmente (Produkte, Kunden und Regionen) oder Geschäftsbereiche getrennt zu betrachten, um nachhaltige Umsatz- und Gewinnsteigerungen durch eine Verbesserung der Ressourcenallokation zu erreichen.160 Die Grenzen der finanziellen Ansätze liegen in der mangelhaften Abbildung qualitativer Marketingaspekte, die jedoch für eine erschöpfende Abbildung des Leistungsvermögens der Marketingfunktion unverzichtbar sind. In der Regel erfolgt auch keine 154 155 156 157 158 159 160
Vgl. Bauer/Hammerschmidt/Garde (2004a), S. 6. Vgl. Daum (2001), S. 14. Vgl. Daum (2001), S. 15. Vgl. Herremans/Ryans (1995), S. 51. Vgl. Bonoma/Clark (1992), S. 21. Vgl. Feder (1965), S. 135; Sevin (1965), S. 9; Thomas (1984), S. 20 f. Vgl. Kleemann (2004), S. 22 f.
45 umfassende Abbildung der vielfältigen Bezugsobjekte des Marketing bei der Produktivitätsanalyse, da die Betrachtung zumeist auf bestimmte Maßnahmenbündel im Rahmen der Verkaufsförderung oder der Distribution beschränkt ist. Es ist zu bezweifeln, dass monetäre Größen die besten Leistungsmaße im Marketing sein können und sollten. Der inzwischen vollzogene Paradigmenwechsel von der Produktzur Kundenorientierung und vom Transaktions- zum Beziehungsmarketing rückt intangible und „weiche“ Größen in den Fokus der Betrachtung. Beispiele sind Erfolgsgrößen wie Kundenzufriedenheit, Kundennähe etc.161 Wird nur der Zusammenhang zwischen Kosten und Erlösen als die am Anfang bzw. am Ende der Wirkungskette stehenden Glieder betrachtet, und werden mediierende, qualitative Größen ausgeblendet, wird Marketing als Black Box verstanden. Die monetär orientierten Arbeiten erwecken daher den Eindruck, dass das Marketing nach dem Prinzip „money in, sales out“162 funktioniert. Weiterhin zeigt sich, dass die Messung und verursachungsgerechte Zuordnung von Kosten und Erlösen im Marketing oft problematisch sind, da oft eine Zeitverzögerung auftritt oder der unmittelbare Zusammenhang von Marketingaktivitäten und finanziellen Outputs nicht nachzuvollziehen ist. Aus diesen Überlegungen entstanden ab Mitte der 80er Jahre erweiterte Ansätze der Marketingproduktivitätsanalyse auf Unternehmensebene, die sich über Erlöse und Kosten hinaus auch auf nicht finanzielle Größen stützen.
3.1.2.2. Erweiterte Ansätze der Marketingeffizienz Die erweiterten Marketingeffizienzansätze rücken v.a. Marketingoutputs in den Mittelpunkt, die nicht in Geldeinheiten ausgedrückt werden können. Die monetären Kennzahlen weisen nach Ansicht vieler Autoren oft nicht den gewünschten Bezug zu zentralen Marketingzielgrößen auf, die sich z.B. durch Kundengewinnung und Kundenbindung ergeben.163 Marketingeffizienz wird im Kontext der erweiterten Ansätze als Verhältnis der eingesetzten Mittel und der erreichten Ziele betrachtet, wobei das Spektrum potenzieller Input- und Outputgrößen erheblich weiter gefasst wird, um der Komplexität des Marketingbereichs zu entsprechen. Zwar bleiben auf der Inputseite die Marketingkosten ein zentraler Faktor in der Bestimmung der Marketingeffizienz, diese werden aber nicht mehr als „Aufwand“ sondern eher als „Investitionen“ in den Aufbau von Kundenbeziehungen und die Sicherstellung loyalen Kundenverhaltens
161 162 163
Vgl. Daum (2001), S. 18. Bonoma/Clark (1992), S. 36. Vgl. Sheth/Sisodia (1995a), S. 10.
46 aufgrund von Zufriedenheit betrachtet. So wird der Output im Marketing zusätzlich über verhaltenswissenschaftliche und nutzenbezogene Konzepte beschrieben.164 Durch die Einbeziehung nicht finanzieller Größen wie Kundengewinnung, Kundenbindung und Markenbekanntheit erfahren die bisherigen Ansätze zwar wünschenswerte konzeptionelle Erweiterungen. Dennoch fehlt in vielen Studien weiterhin ein geschlossenes System, das sowohl finanzielle als auch nicht finanzielle Kennzahlen umfassend berücksichtigt und in einen produktionsökonomischen Zusammenhang stellt. Stattdessen bleiben die Analysen meist bei einer eindimensionalen Betrachtung, indem die Zielgrößen getrennt voneinander betrachtet werden. Zudem enthalten die meisten Arbeiten nur konzeptionelle Überlegungen, die keiner empirischen Überprüfung unterzogen werden.
3.2.
Aggregationsebenen der Marketingeffizienz
3.2.1.
Aggregierte Marketingeffizienz
Die Entscheidung über den Detaillierungsgrad einer Marketingeffizienzanalyse hat sich an den Marketingzielen auszurichten, die zu den Funktionalzielen eines Unternehmens gehören und direkt aus den übergeordneten Unternehmenszielen herunter zu brechen sind. Auch hier lassen sich finanzielle Ziele wie Umsatz oder Rentabilität und nicht finanzielle (vor-ökonomische) Ziele wie Kundennähe und Image unterscheiden. Diese Unternehmensziele bilden den Rahmen zur Bestimmung der finanziellen und psychografischen Ziele der Marketingfunktion.165 Die nicht monetären Ziele sind dabei als Determinanten (Vorsteuergrößen) der ökonomischen Ziele wie Deckungsbeiträge, Kundenwert, Markenwert etc. zu sehen, so dass diese Ziele durch eine Ursache-Wirkungs-Kette verknüpft sind. Bzgl. des Aggregationsgrades lassen sich die Zielgrößen in strategische und operative Zielsetzungen trennen.166 Strategische Zielsetzungen betreffen langfristige Entscheidungen der gesamten Marketingfunktion. Daher ist bei einer Messung der Gesamtmarketingeffizienz der Detaillierungsgrad gering zu wählen, um eine Komplexitätsreduktion und damit eine überschaubare Untersuchung zu gewährleisten. Kriterium der strategischen Analyse ist somit die aggregierte Marketingeffizienz. Sie dient der Messung der globalen, instrumentenunabhängigen Leistungsfähigkeit der Marketingfunktion als gleichberechtigte Unternehmensfunktion, weshalb maßnahmenspezifische Details, die zwar operativ bedeutsam, strategisch jedoch entscheidungsirrelevant sind, ausgeblendet wer164
165
166
Vgl. Bruhn/Georgi (2005), S. 532 f. „Output should be measured in terms of quality as well as quantity.“ Sheth/Sisodia (1995a), S. 11. Vgl. Homburg/Krohmer (2003), S. 343 ff. Diese Ziele stellen wiederum Mittel zum Erlangen des Unternehmenszwecks und anderer Oberziele wie Unabhängigkeit, Wachstum und Existenzsicherung dar. Vgl. Homburg (1998), S. 173 ff.
47 den. Vielmehr werden alle genutzten Ressourcen zusammen betrachtet und mit den Ergebnissen der Marketingfunktion ins Verhältnis gesetzt. Hierbei dominierten in der Literatur - wie bereits dargestellt - zunächst finanzielle Ansätze, die überwiegend Marketingkosten auf der Inputseite und Umsatz, Gewinn oder Marktanteil auf der Outputseite betrachteten.167 Den Ausgangspunkt für weitere finanzielle Ansätze stellt die Arbeit von Sevin dar. Er beschreibt als einer der Ersten Marketingeffizienz als Verhältnis von Umsatz bzw. Gewinn zu Marketingkosten. Sein Ansatz liefert insofern einen Erkenntnisfortschritt, als dass für die Marketingeffizienzmessung die Absatzsegmente als Bezugsobjekte dienen und die Marketingkosten in ein klares System (sog. functional-cost groups) gebracht werden, das eine Verrechnung der Kosten ermöglicht.168 Ein ähnliches Schema schlägt Goodman vor, der zwei zusätzliche Aspekte einbringt. Zum einen betrachtet er nur entscheidungsrelevante Marketingkosten und nicht alle Kosten, die der Funktion Marketing zugeordnet sind. Des Weiteren betont Goodman, dass Gewinne in ihrer Höhe in Abhängigkeit von der jeweiligen Position im Produktlebenszyklus variieren und diese Größen dementsprechend gemessen und beurteilt werden müssen.169 Über den Beitrag von Sevin hinaus hat auch Feder mit seinem Ansatz die Forschung im Bereich der finanziellen Marketingeffizienz vorangetrieben. Er misst diese als Verhältnis von Deckungsbeitrag aus Marketingaktivitäten, der sich aus der Differenz von Umsatzerlösen eines Absatzsegmentes und den variablen Marketingkosten ergibt, und Marketingkosten.170 Durch eine Marginalbetrachtung können Entscheidungen z. B. über die Allokation von Werbemaßnahmen unterstützt werden. Das Analyseziel umfasst also die Identifikation von unterinvestierten Marketingbereichen, in denen sofortige Gewinne realisiert werden können.171 Kritisch ist die enge Definition der (variablen) Marketingkosten zu sehen, die auf die Kosten für Werbung und Verkaufsförderung beschränkt ist.172 Eine ähnliche Marginalbetrachtung findet sich auch bei Anderson/Weitz, wobei aber in die Berechnung der Produktivität langfristige zukünftige Erlöse und Kosten einbezogen werden. Als Untersuchungsgegenstand dient hier die vertikale Integration, als Produktivitätsmaß wird das Verhältnis von zusätzlichen Gewinnen zu zusätzlich ausgelösten Fixkosten der Koordination verwendet.173
167 168 169 170 171
172 173
Vgl. Feder (1965), S. 132 ff.; Hood (1968), S. 13 f. Vgl. Sevin (1965), S. 9. Vgl. Goodman (1967), S. 32 f. Vgl. Feder (1965), S. 135. „The marketing objective is to invest money in each market area up to the point where an additional dollar would produce greater immediate profits if spent elsewhere.” Feder (1965), S. 134. Vgl. Daum (2001), S. 16; Kleemann (2004), S. 23 f. Vgl. Anderson/Weitz (1986).
48 Um eine stärkere Investitionsorientierung im Marketing sicherzustellen, propagiert Lenskold die Verwendung des Marketing Return on Investment. Dieser drückt den auf den Entscheidungszeitpunkt abgezinsten Wert aller aus den MarketingInvestments generierten Netto-Einzahlungen im Verhältnis zu der Höhe der Investments aus. Als Input werden die Marketingausgaben, als Output wird die Summe der Customer Lifetime Values aller aktuellen und zukünftigen Kunden, d.h. der Customer Equity verwendet.174 Auch Rust/Lemon/Zeithaml fordern, den Return on Marketing als Maßstab der Marketingperformance zu verwenden und ziehen ebenfalls die durch Marketinginvestitionen ausgelöste Erhöhung des Customer Equity zur Operationalisierung des Returns (Output) heran.175 Wenig zufrieden stellend ist auch an diesen Ansätzen die fehlende Einbeziehung „weicher Größen“, die höchstens implizit in Form der Werttreiber der CLV-Komponenten eingehen. Die erste mikroökonomische Studie der Marketingproduktivität, die zusätzlich qualitative Zielgrößen mit den Inputs verknüpft, liefert Thomas. Zudem werden die Bezugsobjekte der Produktivitätsanalyse auf die Bereiche Produktmanagement, Außendienst, Vertriebskanalmanagement und Kundenmanagement ausgeweitet.176 Trotz dieser umfassenden Betrachtung kann auch Thomas keine integrative Beurteilung der Produktivität der Marketingbereiche leisten, da hier die einzelnen Output-InputKennzahlen nicht miteinander verknüpft werden.177 Eine umfassendere Konzeptualisierung der gesamten Marketingeffizienz nehmen Bonoma/Clark vor. Den Output bildet die Qualität der Marketingprogramme, die durch die Zufriedenheit des Managements mit der Zielerreichung gemessen wird. Als Input wird der Aufwand zur Realisierung des Outputs angesetzt. Dieses Verhältnis wird mit einem Faktor multipliziert, der externe Einflüsse einbezieht.178 Obwohl diese Konzeptualisierung betont, dass Marketingproduktivität das Ergebnis der Qualität des Managements ist, ist die rein subjektive Einschätzung der Outputkomponente fragwürdig. Sheth/Sisodia schlagen auf der Outputseite Kennzahlen vor, die an den Zielgrößen Kundengewinnung und Kundenbindung ausgerichtet sind. Zur Bestimmung der Effizienz von Maßnahmen der Neukundenakquisition werden die Einnahmen aus den entsprechenden Marketingaktivitäten ins Verhältnis zu den dafür erforderlichen Kosten gesetzt, die um einen Kundenzufriedenheitsindex korrigiert werden. Ähnlich wird das Effizienzmaß für die Kundenbindung bestimmt, indem der Quotient aus Einnahmen und Kosten von Kundenbindungsmaßnahmen mit einem Kundenloyalitätsindex multipliziert wird.179 Konzeptionell bieten Sheth/Sisodia bedeutende Erweiterungen 174 175 176 177 178 179
Vgl. Lenskold (2002). Vgl. Rust/Lemon/Zeithaml (2004). Vgl. Thomas (1984), S. 28. Vgl. Daum (2001), S. 17. Vgl. Bonoma/Clark (1992), S. 68. Vgl. Sheth/Sisodia (1995a), S. 11 ff.
49 im Rahmen der Produktivitätsanalyse, da sie die Bezugsobjekte auf den kompletten Marketing-Mix und auf die Marketingstrategien ausweiten. Allerdings gelingt es den Autoren nicht, diese umfassende Konzeption der Marketingproduktivität in ein adäquates geschlossenes System von Produktivitätskennzahlen umzuwandeln. In der Literatur existieren außer den vorgestellten Versuchen, die aggregierte Marketingeffizienz zu messen, noch weitere Ansätze, welche in Tabelle 3 überblicksartig zusammengefasst sind. Insgesamt zeigt die Tabelle, dass in der Literatur eine starke Heterogenität der vorgeschlagenen Einflussfaktoren der Marketingperformance besteht. Insbesondere auf der Outputseite herrscht kein Konsens hinsichtlich der wesentlichen Parameter.180 Es mangelt an Ansätzen, die diese Größen in ein einheitliches Bewertungssystem zusammenführen und ein Maß der Gesamtproduktivität i. S. einer Spitzenkennzahl ermitteln. Für viele Kennzahlen unterbreiten die Autoren zudem keine Skalen bzw. Messvorschriften, die eine Quantifizierung ermöglichen würden. Tabelle 3 fasst die Inputs und Outputs der wichtigen finanzorientierten und erweiterten Ansätze der aggregierten Marketingeffizienzbetrachtung zusammen.181 Bei den bisher angeführten Ansätzen ging es darum, die Performance des gesamten Marketingbereichs zu bestimmen. Es stellt sich jedoch die Frage, ob eine solche undifferenzierte Betrachtungsweise eine ausreichende Basis für Marketingentscheidungen ist, welche die unterschiedlichsten Bereiche im Marketing betreffen und damit eigentlich auf individuellen Controlling-Informationen fußen sollten. Zudem ist fraglich, ob im Hinblick auf die Komplexität des Marketingbereichs mit seinen unterschiedlichen Entscheidungsfeldern (Organisationseinheiten, Absatzsegmente, Marketinginstrumente), die „eine“ Gesamtmarketingeffizienz bestimmbar ist.
Autoren
Inputs
Outputs
Methode
• Marketing-Deckungsbeitrag
Marginalanalyse
• Umsatz oder Netto-Gewinn
konzeptionell
• Gewinn
Marginalanalyse Marginalanalyse
Finanzielle Ansätze (Profitability Approaches) Feder (1965)
• Variable Marketingkosten (Werbeund Verkaufsförderungskosten)
Sevin (1965)
• Marketingkosten (direkte und indirekte Verkaufskosten, Werbekosten, Kosten für Sales Promotions, Kosten für Lagerung, Versand und Bestellabwicklung)
Goodman (1967)
• Entscheidungsrelevante Marketing-
Corr (1976)
• Geschätzte zukünftige Werbe- und
• Geschätzte zukünftige Marketing-
Verkaufsförderungskosten (incremental cost)
Deckungsbeiträge (incremental rate)
180 181
kosten
Vgl. Reinecke (2004). Vgl. auch Kleemann (2004), S. 22-27.
50 Autoren
Inputs
Outputs
Methode
Angehrn (1978)
• Akquisitorische Kosten (Kosten für
• Deckungsbeitrag
konzeptionell
Anderson/ Weitz (1986)
• Langfristige Marketingkosten
• Gewinn
konzeptionell
Chebat et al. (1994)
• Gesamt-Marketingbudget (Budgets
• Gewinn
DEA
• Customer Equity
konzeptionell
Werbung, Verkaufsförderung, Lieferbereitschaft, Kundenakquisition, Auftragseinholung, Kundendienst) (Overhead-Kosten) für Kundendienst, Vertrieb, Werbung, Verkaufsförderung, Public Relations, Marktforschung)
• Anzahl Marketingmitarbeiter in den genannten Bereichen
• Gesamter Forschungsaufwand • Anzahl Mitarbeiter in NichtMarketingbereichen (Finanzen, IT, F&E, Personalabteilung) Lenskold (2002)
• Marketinginvestitionen
Erweiterte Ansätze unter Berücksichtigung nicht finanzieller Kennzahlen („Soft Approaches“) Thomas (1984)
• Anzahl besuchter Kunden • Aufwendungen für Kundenbearbeitung
Hawkins/ Best/Lillis (1987)
• Marketingausgaben (Summe der Ausgaben für Vertrieb, Werbung, Promotions, Marketingadministration, Marktforschung)
• • • • • • •
• Nicht steuerbare Inputs: - Marktwachstum - Anzahl Konkurrenten - Produktwechselhäufigkeit im Markt - Anzahl direkter Kunden - Relative Sortimentsbreite (Breite der Produktpalette im Verhältnis zur Breite der drei größten Konkurrenten) Bonoma/ Clark (1992)
• • Herremans/ • Ryans (1995) • • Sheth/Sisodia (1995a)
Murthi/ Srinivasan/ Kalyanaram (1996)
Marketingaufwand
konzeptionell
Durchschnittliche Auftragsgröße Einstellung der Kunden Kundenloyalität Umsatz
Regression
Relativer Marktanteil Relativer Preis (durchschnittliche Verkaufspreis im Verhältnis zum Durchschnittspreis der drei größten Konkurrenten)
• Qualität der Marketingprogramme
konzeptionell
• Zunahme des Unternehmenswer-
Kennzahlenvergleich
Externe Umweltfaktoren Gesamte Marketingausgaben
tes
Anzahl Markenprodukte Produktqualität
• Kosten der Neukundenakquisition • Kosten der Kundenbindung
• • • •
Erzielte Aufträge
Marketingausgaben Produktqualität Preisniveau Unternehmensimage
• • • • • • • •
Markenwichtigkeit Markenwahrnehmung Umsatz der Neukunden
konzeptionell
Umsatz bestehender Kunden Kundenzufriedenheit Kundenloyalität ROI Marktanteil
DEA, Regression
51 Autoren
Inputs
Outputs
Methode
Davidson (1999)
• Anteil Marketingkosten (Betreu-
• • • • • • • • • •
konzeptionell
ungs- und Servicekosten, Werbeausgaben, Aufwand für Mitarbeiterschulungen etc.) am Umsatz
Fischer/Herrmann/Huber (2001)
• Kundenzufriedenheitsinvestitionen
Reinecke/ Reibstein (2002)
• Marketingbudget
Sheth/Sisodia (2002)
• •
Bruhn/Georgi (2005)
Donthu/ Hershberger/ Osmonbekov (2005)
•
•
• • • • • • • • • • • • • • • • Marketinginvestitionen zur Kunden- • gewinnung und Kundenbindung • Länge des Produktlebenszyklus • • Aufwand für Kundenbindungsma• nagement (Güterverzehr für Maß• nahmen zum Aufbau und zur Erhal• tung von Kundenbeziehungen) • • Werbe- und Promotionausgaben (in • Prozent des Umsatzes) •
Umsätze nach Absatzkanälen Relativer Preis Marktanteil Marktanteilsentwicklung Anzahl Kunden Kundenzufriedenheit Anzahl Kundenbeschwerden Kundenqualität/Kundenwert Weiterempfehlungen Verursachte Kundenwertsteigerung (Return on Customer Satisfaction)
Regression
Umsatzanteil Neukunden
konzeptionell
Umsatzanteil Neuprodukte Umsatzrentabilität Umsatzwachstum Deckungsbeitrag Kapitalumschlag Relativer Marktanteil Distributionsgrad Share of Voice Kaufabsicht Kundenzufriedenheit Kundenbindung Bekanntheitsgrad Wahrgenommene Servicequalität Wahrgenommene Produktqualität Markenstärke Zahl Kundenakquisitionen
konzeptionell
Länge der Kundenbeziehung Kundenzufriedenheit Kundenloyalität Wiederkaufabsicht
konzeptionell
Preisbereitschaft Kauffrequenz Cross-Buying-Absicht Kommunikationsnutzen Umsatz Kundenzufriedenheit
• Anzahl der Marketingmitarbeiter • Erfahrung der Marketingmanager
Tabelle 3: Beiträge zur aggregierten Marketingeffizienz
DEA
52 Außerdem bietet eine aggregierte Analyse allein keinen ausreichenden Informationsgehalt zur Unterstützung von Entscheidungen bzgl. des Einsatzes der einzelnen Marketingaktivitäten. Eine detaillierte Analyse der Marketingeffizienz kann erfolgen, indem durch eine Aufspaltung des Marketingbereichs in Bezugsobjekte eine sinnvolle Disaggregation der strategischen Marketingeffizienz in unterschiedliche Teileffizienzen vorgenommen wird. Dennoch ist die zusätzliche Analyse der globalen Marketingeffizienz unverzichtbar, um ausschließlich lokale Optimierungsversuche zu verhindern, die die Effizienz in den verschiedenen Subsystemen zwar erhöhen, aber die Leistung des Gesamtsystems verringern und somit die strategischen Zielerreichungen auf Unternehmensebene gefährden.182
3.2.2.
Disaggregierte Marketingeffizienz
Während die Bewertung der aggregierten Marketingeffizienz auf strategische Zielgrößen basiert, leiten sich die Maßstäbe der disaggregierte Effizienzbetrachtung aus den operativen Zielsetzungen ab, die eher einen kurzfristigen Zeithorizont aufweisen und sich auf einzelne Marketingaktionen beziehen. Um die Marketingmaßnahmen bewerten zu können, muss eine Disaggregation der Input- und Outputfaktoren stattfinden. Maßstab der operativen Analyse ist daher die disaggregierte Marketingeffizienz. In Anlehnung an die Aufteilung des operativen Marketing in die vier bekannten Marketing-Mix-Elemente (Teilpolitiken) bietet sich eine Disaggregation der Marketingeffizienz in die Teileffizienzen Produkt-, Preis-, Distributions- und Kommunikationseffizienz an.183 Thomas betrachtet neben den vier Instrumentaleffizienzen zusätzlich die Marketingproduktivität in Bezug auf das Management der Kundenbeziehungen. Im Folgenden werden die Aufgabenbereiche und Bezugsobjekte der Effizienzanalyse innerhalb der vier Instrumentalbereiche des Marketing sowie die jeweils zu verwendenden Input- und Outputfaktoren, ihre Messung und Verknüpfung dargestellt.
3.2.2.1.
Produkteffizienz
3.2.2.1.1. Anbieterorientierte Produkteffizienz Die Steuerung der Marktpräsenz einzelner Produkte sowie die Produktprogrammgestaltung sind die zentralen Entscheidungsfelder innerhalb der Produktpolitik.184 Somit lassen sich einzelne Produkte sowie das Produktprogramm bzw. Produktlinien als Bezugsobjekte der Effizienzmessung im Bereich des Produktmanagements erken182 183 184
Vgl. Neely (2004), S. 50. Vgl. Auerbach/Czenskowsky (2003); Rust et al. (2004). Vgl. Homburg (1998), S. 3-18.
53 nen. Der Begriff der Produkteffizienz kann dabei aus zwei verschiedenen Sichtweisen – anbieter- und kundenorientiert - erfasst werden, welche beide in ein Produktcontrolling einfließen müssen. Zunächst kann die Effizienz der Produktpolitik, dem klassischen Verständnis folgend, aus Sicht des Unternehmens untersucht werden (anbieterorientierte Effizienz). Hier steht die wirtschaftliche Nutzung der für die produktpolitischen Aktivitäten aufgewendeten Ressourcen im Vordergrund. Auf der Ebene der einzelnen Produkte gehören hierzu Prozesse im Rahmen von Produktinnovationen und -eliminationen. Im Rahmen von Neuprodukteinführungen sind die drei Teilprozesse Ideengewinnung, Produktgestaltung sowie Markteinführung zu unterscheiden. Für den Teilprozess der (Neu)Produktgestaltung lässt sich die Profitabilität vereinfacht als Return on Product Quality konzeptualisieren.185 Hierbei werden die ökonomischen Effekte (Preiserhöhungen, Kostensenkungen) von Investitionen in die Produktqualität untersucht. Um den gesamten Prozess der Produkteinführung abzubilden, können auf der Inputseite auch Entwicklungskosten und -dauer, Kosten für Produkttests, Kosten der Produkteinführung und des Produktmanagements, Markenführungskosten, aber auch Kosten des Beschwerdemanagements, der Wert gewährter Kulanzen sowie Fehlerkosten integriert werden. Auf der Outputseite können zusätzlich Pioniergewinne (Erfahrungskurvenvorteile und Marktanteilsvorsprünge aufgrund frühzeitiger Markteinführung) sowie weiche Größen wie die Anzahl an Probekäufen, Wiederkaufabsicht, Produktimage und Produktzufriedenheit einbezogen werden.186 Ein umfassendes Verständnis der anbieterseitigen Produkteffizienz erfordert somit, die Effizienz der Ressourcennutzung entlang des gesamten Prozesses von der Ideengewinnung über die Produktgestaltung bis hin zur Markteinführung zu überprüfen. Auf der Ebene des Produktprogramms sind als Inputgrößen v.a. die Zahl der Produktvarianten innerhalb einer Linie und die Zahl der Produktlinien im Programm relevant. Auf der Outputseite ergeben sich als zentrale Größen die Cross-Selling-Erlöse durch Ausdehnung von Kundenbeziehungen, die Erhöhung der Kundenbindung durch Befriedigung des Abwechslungsbedürfnisses innerhalb der eigenen Produktpalette sowie das Wachstum und die Risikoreduktion durch Vorstoß in neue Marktfelder etwa im Rahmen der lateralen Diversifikation.187 Überträgt man die interne Perspektive der Produkteffizienzanalyse auf den Dienstleistungsbereich, so kann die Effizienz der Dienstleistungserbringung untersucht werden, indem die dafür eingesetzten Potenzialfaktoren (sog. tangible Faktoren wie informationstechnische Infrastruktur, Einrichtung, Erscheinungsbild des Personals)
185 186 187
Vgl. Rust/Moorman/Dickson (2002); Thomas (1984), S. 20. Vgl. Daum (2001); Edgett/Snow (1997). Vgl. Daum (2001), S. 68 f.; Homburg (1998), S. 209.
54 und immaterielle Prozessfaktoren (Expertise, Kompetenz, Freundlichkeit, Reagibilität auf Kundenwünsche) mit den resultierenden Ergebnissen verknüpft werden.188 Die Ergebnisse konkretisieren sich dabei in zwei Stufen. Zunächst ist im ersten Schritt die Erreichung einer positiven Servicequalitätswahrnehmung der Kunden sicherzustellen. Im zweiten Schritt muss daraus Kundenzufriedenheit und -loyalität und als Resultat finanzieller Erfolg in Form kundengenerierter Cash Flows erzeugt werden.189 Als insgesamt effizient sind jene Dienstleister anzusehen, die sowohl bei der Transformation der Ressourcen in positive Qualitätsbeurteilung (erste Produktionsstufe) als auch bei der anschließenden Transformation der Servicequalität in vorökonomische und ökonomische Ergebnisgrößen (zweite Produktionsstufe) erfolgreich sind. In Tabelle 4 sind die für eine Analyse der anbieterseitigen Produkteffizienz maßgeblichen konzeptionellen und empirischen Arbeiten zusammengefasst.
3.2.2.1.2. Nachfragerorientierte Produkteffizienz Im Rahmen der zweiten Perspektive wird die Produkteffizienz als Ausdruck der Wertbzw. Nutzensteigerung für Kunden verstanden. Die Identifizierung und Gestaltung von Produkt- und Servicekonzepten, die einen maximalen Wert für den Kunden stiften, ist die Vorstufe der Produktion und Vermarktung dieser Leistungen im Rahmen der Produktpolitik. Erst wenn die aus Kundensicht effizienten Leistungen definiert sind, kann eine effiziente Bereitstellung und Vermarktung dieser Leistungen für die Kunden erfolgen.190 Unternehmen müssen daher an beiden Fronten erfolgreich sein: Bei der Investition in Produktionsanlagen und -prozesse (operative Seite), aber auch bei der Investition in erfolgversprechende Produkte und Services (Kundenseite). Folglich sind auch bei der Bewertung und Auswahl von Produktalternativen Effizienzkriterien heranzuziehen, die hier jedoch aus Kundensicht zu definieren sind. Diesem externen, nachfragerorientierten Effizienzbegriff (nachfragerorientierte Produkteffizienz) liegt die Erkenntnis zu Grunde, dass die Optimierung von Produkten bzw. Dienstleistungen aus Kundensicht das konstituierende Prinzip des Marketing darstellt. Dennoch ist in der Literatur bisher ein Mangel an Ansätzen zur Produkteffizienzmessung zu konstatieren, welche die Kundenperspektive in den Vordergrund stellen.191 „Even though efficiency measurement has been a fruitful area of scholarly research
188
189 190 191
Zu den Phasen des Prozesses der Dienstleistungserstellung, der aus Anbietersicht durch das in der englischsprachigen Literatur verbeitete Konzept der service profit chain beschrieben werden kann, vgl. Bauer/Falk/Hammerschmidt (2006); Kamakura et al. (2002), S. 294. Vgl. Bauer/Falk/Hammerschmidt (2006); Mukherjee/Nath/Pal (2003). Vgl. Bauer/Hammerschmidt (2002), S. 3; Triantis (2004), S. 402. Vgl. Parsons (1994), S. 170 f.; Triantis (2004), S. 402; Xue/Harker (2002), S. 253 f.
55 decision makers have not extensively implemented efficiency measurement concepts to improve the design performance of products.”192 Autoren
Inputs
Outputs
Methode
• Periodenergebnis
Strukturgleichungsmodell
• • • • • • • • •
Unternehmensbefragung
Produktgestaltung Rust/Zahorik/ Keiningham (1995)
• Qualitätsbedingt investiertes
Edgett/Snow (1997)
• • • • •
Kapital Beschwerdenanzahl Wert gewährter Kulanzen Fehlerquote Anzahl Kundenbeschwerden Produktionskapazität
Marktanteil Wachstum der Kundenzahl Umsatzwachstum Gewinn Cross-Selling-Erlöse Kundenloyalität Kundenzufriedenheit Wiederkaufrate Produktqualität gegenüber Standards
• Wahrgenommenes Unternehmensimage Daum (2001)
• Anzahl erfolgreicher Neuprodukteinführungen
• • • • • •
Rust/Moorman/ Dickson (2002)
Floprate
• Absatzmenge • Umsatz, Deckungsbeitrag • Pioniergewinne (durch frühzeitige Markteinführung)
Entwicklungskosten Entwicklungsdauer Qualitätskosten Produkteinführungskosten Kosten des Produktmanagements
• Markenführungskosten • Qualitätsinvestitionen
konzeptionell
• • • • •
Deckungsbeitrag Anzahl verkaufte Produkteinheiten Kundenzufriedenheit Qualität der Produkteigenschaften Wiederkaufabsicht
• Resultierende Kostensenkungen (bei Fehlerkosten, Produktionskosten etc.)
Strukturgleichungsmodell
• Resultierende Preiserhöhungen Produktprogrammgestaltung Daum (2001)
• Anzahl Produktvarianten und Produktlinien (evtl. aufgeteilt nach A-, B-, C-Produkten)
• Komplexitätskosten • Kosten der Programmgestaltung
• Absatz/Umsatz der Warengruppe • Cross-Selling-Erlöse • Kundenzufriedenheit mit Sortimentsbreite
• Markenloyalität
• Kosten des Category Management
• Markenführungskosten (Dachmarke)
Tabelle 4: Beiträge zur anbieterorientierten Produkteffizienz
192
Triantis (2004), S. 403.
konzeptionell
56 Dies resultiert aus der Tatsache, dass die Domäne von Ökonomen und Operations Researchers bisher nahezu auschließlich der Produktionsbereich ist; im mit der Produktion korrespondierenden Marketingbereich (Produktpolitik) fehlen diese jedoch bisher. Dies ist verwunderlich, da in der neueren Literatur zum wertorientierten Marketing die Einschätzung weithin verbreitet ist, dass Kundenbeziehungen erst einen Wert für das Unternehmen generieren, wenn zuvor die Produkte und Leistungen des Unternehmens einen Wert für den Kunden stiften.193 Dabei ist der Wert einer Leistung umso höher, je mehr Outputs (i.S. der nutzenstiftenden Leistungsparameter des Produktes) diese für eine betragsmäßig festgelegte Menge an Geldeinheiten (Inputs: z.B. Kaufpreis, laufende Kosten) bereitstellt. Je besser dieses Verhältnis ausfällt, desto effizienter werden die Investitionen des Kunden in entsprechende Outputs transformiert.194 Die nachfragerorientierte Produkteffizienz ist im Grundprinzip eng verwandt mit dem Konzept des Preis-Leistungs-Verhältnisses. Dieses untersucht jedoch den Quotienten aus der Produktqualität (definiert als eindimensionales Qualitätsrating) und dem Kaufpreis.195 Eine globale Betrachtung der Qualität erscheint somit wenig sinnvoll, um den Produktbeurteilungsprozess eines Konsumenten mit differierenden Präferenzen angemessen zu repräsentieren. Aus diesen Überlegungen heraus ist die Definition von Produkten zu präzisieren, indem diese als Bündel von Input- und Outputattributen verstanden werden.196 Sie folgt somit der inzwischen gesicherten Erkenntnis der modernen mikroökonomischen Nachfragetheorie, wonach Produkte nicht als Entitäten, sondern als Bündel nutzenstiftender Eigenschaften zu betrachten sind, wobei die Qualität eine Funktion dieser Eigenschaften darstellt.197 Eine Produkteffizienzbetrachtung erweitert das Konzept des Preis-Leistungs-Verhältnisses zu einem umfassenden Nutzwert im Sinne eines Verhältnisses multipler Outputs und multipler Inputs. Fließen in die Bewertung alle im Verlauf des Erwerbs und der Nutzung eines Produktes relevanten Outputs ein, d.h. neben technischen Merkmalen auch nicht funktionale Attribute, dann repräsentiert der Produkteffizienzwert ein umfassendes Konzept, welches als Customer Value interpretiert werden kann. Dabei lassen sich unterschiedliche Input-Output-Mixes (Produktkonzepte) identifizieren, die unterschiedliche Produktsegmente konstituieren, welche mit spezifischen Kundenpräferenzen korrespondieren. Für jeden Teilmarkt können dann Benchmarks in Form von Referenzprodukten ermittelt werden, die einen maximalen Effizienzwert in Relation zu den übrigen
193 194 195 196 197
Vgl. Vargo/Lusch (2004), S. 2. Vgl. Bauer/Hammerschmidt/Staat (2002), S. 4 f. Vgl. Ratchford et al. (1996), S. 168 f. Vgl. Staat/Bauer/Hammerschmidt (2002). Vgl. Lancaster (1966); Ratchford et al. (1996), S. 172.
57 Alternativen für die Kunden generieren. Diese Referenzprodukte können als Zielpositionen im Produktmarktraum fungieren.198 Durch die Maximierung des Customer Value eines Produktes – konzeptualisiert durch den Output-Input-Effizienzwert aus Kundensicht – wird die Anpassung der Produkte an die Kundenanforderungen der verschiedenen Teilmärkte sichergestellt. Damit lassen sich die folgenden Kernaufgabe der nachfragerorientierten Produkteffizienzanalyse zusammenfassen:199 1) Abgrenzung von Produktteilmärkten, in denen Produkte zusammenzufassen sind, die sich durch ähnliche Konzepte der Customer-Value-Generierung und somit einen hohen Grad an Austauschbarkeit auszeichnen 2) Produktbenchmarking auf Basis der Ermittlung teilmarktspezifischer Referenzprodukte (best buys), um den relativen Customer Value der Produkte zu ermitteln 3) Analyse der Ursachen für evtl. Ineffizienzen eines Produktes 4) Ableitung von Handlungsempfehlungen zur Modifikation der Produkteigenschaften mit dem Ziel der Customer-Value-Maximierung Die Aufwands- und Leistungsparameter, die bisher im Rahmen grundlegender Untersuchungen zur nachfragerseitigen Produkteffizienz verwendet wurden, zeigt Tabelle 5. Auffällig ist, dass bei der Evaluierung der Produkteffizienz aus Kundensicht auf der Input-Seite leicht zu quantifizierende Größen wie Kaufpreis und laufende Kosten des Gebrauchs dominieren. Es wäre aufschlussreich, weitere vor der Kaufentscheidung anfallende Inputgrößen wie Such- und Transaktionskosten zu berücksichtigen. Um ein ganzheitliches Produkteffizienz-Controlling zu ermöglichen, sind schließlich Anbieter- und Nachfragerperspektive systematisch zusammenzuführen. Ziel muss es sein, Aussagen für unternehmerische Strategieentwürfe und Aktionen auf Produktebene zu gewinnen, die sich an der Werterzeugung für Kunden ausrichten. So können die Ergebnisse beider Perspektiven die Auswahl und Bearbeitung attraktiver Teilmärkte etwa in Form noch wenig besetzter Nischen unterstützen. Im Rahmen der Produktpositionierung können neben Hinweisen auf Produktverbesserungen (d.h. Modifikation der Input- und Outputattribute) auch Entscheidungen über Produktneueinführungen bzw. -eliminationen im Zuge der Optimierung der Tiefe und Breite des Produktprogramms fundiert werden.
198 199
Vgl. Bauer/Hammerschmidt/Staat (2002), S. 6 f. Vgl. Staat/Bauer/Hammerschmidt (2002), S. 205 f.; Staat/Hammerschmidt (2005), S. 306 f.
58 Autoren
Inputs
Outputs
Methode
Doyle/Green (1991) (Computerdrucker)
• Kaufpreis
• • • • • • • • • • • • • • • • •
DEA
Bauer/Staat/ Hammerschmidt (2000) (Automobile)
FernandezCastro/Smith (2002) (Automobile)
• Kaufpreis • Laufende Kosten
• Listenpreis
Druckqualität Druckgeschwindigkeit Geräuscharmut Größe des Speichers Zuverlässigkeit (Fehlerquote) Breite des Papiereinzugs Restwert
DEA
Zuverlässigkeit Sicherheit Komfort Fahrleistung Erfüllte Abgasnorm Motorleistung
DEA
Verbrauch Innengeräusch Kofferraumvolumen Innenraum
Tabelle 5: Beiträge zur nachfragerorientierten Produkteffizienz
3.2.2.1.3. Markeneffizienz Marken wurden als eigenständiger Objektbereich der Effizienzanalyse im Rahmen der Produktpolitik bisher gänzlich ignoriert. Dies ist verwunderlich, denn für viele Unternehmen stellen Marken die größten intangiblen Vermögensgegenstände dar.200 Nicht selten beträgt der Anteil des Markenwertes am Unternehmenswert 70 oder gar 80 %, wie etwa bei den Marken BMW, Kodak, Xerox oder Gucci.201 Dies verdeutlicht die strategische Relevanz des Markenwertes und dessen Messung, Steuerung und Kontrolle. Zur Erfassung des Markenwertes wurden in der Marketingliteratur und -praxis in den letzten Jahren unzählige Ansätze entwickelt, die den Markenwert aus unterschiedlichen Perspektiven konzeptualisieren. So versuchen die finanzorientierten bzw. betriebswirtschaftlichen Ansätze den Wert des Vermögensgegenstandes Marke durch monetäre Kennzahlen zu messen, indem die durch eine Marke generierten Zahlungsströme betrachtet werden. In diesem Sinne wird Markenwert als ökonomischer (gewinn- oder kapitalwertorientierter) Markenwert verstanden, für den sich in der englischsprachigen Literatur der Begriff Brand Equity findet.202 Die verhaltenswissenschaftlichen Ansätze erfassen den Wert einer Marke über die Reaktionen, die eine Marke beim Konsumenten hervorruft und die die Markenwahl beeinflussen. 200 201 202
Vgl. Srivastava/Shervani/Fahey (1998), S. 2. Vgl. Interbrand (2003). Vgl. Rust et al. (2004); Srivastava/Shervani/Fahey (1998), S. 2.
59 In diesem Sinne wird Markenwert als Markenstärke bzw. Customer Based Brand Equity verstanden.203 Diese stellt ein im Kopf des Konsumenten verankertes, unverwechselbares Vorstellungsbild einer Marke dar, welches an eine klare Markenpräferenz gekoppelt ist. Damit erfasst Markenstärke sowohl psychologische als auch verhaltensbezogene Wirkungen einer Marke.204 Erstere bilden emotional-affektive Vorstellungen/Assoziationen (wie etwa Markenimage) und Anmutungen (wie Markensympathie) sowie kognitive Reaktionen (wie Markenwissen oder -bekanntheit) ab. Wiederkäufe oder Markenloyalität als Ergebnisse des durch die Marke veränderten Kaufverhaltens kennzeichnen die Verhaltenswirkungen. Ein ganzheitliches Verständnis des Markenwertes muss letztlich sowohl die konsumentenbasierte als auch anbieterorientierte Perspektive integrieren. Denn erst die psychischen Prozesse beim Konsumenten führen zur Wertschätzung und Begehrlichkeit der Marke, die in kapitalisierbaren Zahlungsströmen infolge eines Kaufaktes resultieren.205 Die kombinativ-zweistufigen Verfahren, die einen monetären Markenwert durch Transformationsregeln aus einem Markenstärkeindex ableiten, tragen dieser Sichtweise Rechnung.206 Mit wenigen Ausnahmen konzentrieren sich die Ansätze der genannten drei Gruppen lediglich auf die Outputseite (Ergebnisse) der Markenführung. Darüberhinaus haben sie eine Vielzahl verschiedener Markenwertindikatoren hervorgebracht, die relativ unverbunden nebeneinander stehen und nur spezifische Aspekte der Markenführung abbilden. Vor dem Hintergrund milliardenschwerer Investitionen vieler Unternehmen in den Ausbau ihrer Marken207 und eines zunehmenden Wettbewerbs- und Kostendrucks wird auch vom Markenmanagement mehr und mehr der Nachweis gefordert, die monetären und nicht monetären Ergebniswirkungen im Markt (Outputs) in Beziehung zu den dafür eingesetzten Ressourcen (Inputs) zu setzen. Eine effizienzorientierte Markenführung ist erforderlich, um ein von vielen Unternehmen zunehmend beklagtes Overspending zu verhindern. Hierunter sind unproduktive Ausgabensteigerungen zu verstehen, die nicht in einer entsprechenden Erhöhung der Zielgrößen der Markenführung resultieren. Um solche zu erkennen, sind Ansätze erforderlich, die die verschiedenen Inputs (Kosten) und die resultierenden Outputs (Ergebnisse, Nutzen) der Markenführungsprozesse in Relation setzen. Der Markenwert sollte nicht nur eine monetäre Erfolgsgröße oder ein Maß der Markenstärke in den Köpfen der Konsumenten sein, sondern ein Input-Output-Effizienzwert.
203 204 205 206 207
Vgl. Aaker (1991), S. 43. Vgl. Bekmeier-Feuerhahn (1998), S. 34 ff. Vgl. Bekmeier-Feuerhahn (1998), S. 38; Schulz/Brandmeyer (1989), S. 365. Vgl. Zimmermann et al. (2001), S. 55-69. Beispielsweise wendete Philip Morris für den Kauf der Marke „Kraft“ rund 11,6 Milliarden US $ auf; vgl. Bekmeier-Feuerhahn (1998), S. 42.
60 Stellt die Marke die „geronnenen Leistungen“ im Rahmen der Markenführung dar,208 so kann Markeneffizienz mit Markenführungseffizienz gleichgesetzt werden. Die Marke steht in diesem Fall für die objektmäßige Konkretisierung des extern nicht sichtbaren Markenführungsprozesses im Markt. Alle Inputs und Outputs der Marke können somit letztlich der Markenführung zugerechnet werden. Die Markeneffizienz gibt dann an, wie effizient das Markenmanagement Markeninputs in Markenoutputs transformiert. Ziel einer effizienzorientierten Markenführung ist nicht die ausschließliche Optimierung der Ergebnisgrößen (z.B. Image, Bekanntheit, Preispremium), sondern die Optimierung der Ergebnisse relativ zu den dafür eingesetzten Ressourcen, d.h. des Return on Brand Investment. Die Betrachtung des Markenwertes als Output-Input-Relation entspricht explizit dem Grundverständnis der wertorientierten Unternehmensführung. So wird der Blick dafür geschärft, dass das Markenmanagement durch eine Steuerung der Input- und Outputseite zur Erhöhung des Free Cash Flow als dem zentralen Bestandteil des Shareholder Value beitragen kann. Zum einen wirken Marken auf die Höhe des Free Cash Flow, indem sie helfen, höhere Erlöse zu erzielen als „namenlose“ Produkte.209 Sie eröffnen so Wachstumschancen durch bessere Ausschöpfung bestehender Erlösquellen (Markentreue und höhere Zahlungsbereitschaft) und Erschließung neuer Erlöspotenziale (Extensions, Merchandising).210 Eine Zunahme des Cash Flow ist zudem durch die Reduzierung der Marketingkosten aufgrund starker Marken möglich. Eine hohe Markenloyalität der Konsumenten wirkt sich in einem relativ geringeren Investitionsaufwand z. B. für Neukundenwerbung aus.211 Die Stabilisierung der Nachfrage durch Markenloyalität senkt weiterhin die Kapitalkosten, indem der Diskontierungszins aufgrund einer geringeren Cash-Flow-Volatilität gesenkt wird.212 Eine simultane Input- und Outputbetrachtung ist offensichtlich eine wesentliche Voraussetzung zur Steigerung des Unternehmenswertes. Markeninputs sind „Investitionen“, die Unternehmen für den Aufbau und die Führung einer Marke einsetzen müssen. Hierunter fallen z.B. Kommunikations- und Distributionsaufwendungen und Kosten für Qualitätsmanagement. Markenoutputs stellen die „Erträge“ i. S. erwarteter Markenwirkungen im Markt dar, welche entscheidend dafür sind, dass von einer Marke gesprochen werden kann.213 Hierzu gehören unternehmensbezogene, monetäre Wirkungen wie die Generierung von Markenerlösen oder
208 209 210 211 212 213
Vgl. sinngemäß Bauer (1995), S. 145. Vgl. Ailawadi/Lehmann/Neslin (2003). Vgl. Bekmeier-Feuerhahn (1998), S. 42; Farquhar (1989), S. 25. Vgl. Aaker (1991), S. 30; Clark (1999), S. 715. Vgl. Srivastava/Shervani/Fahey (1998), S. 12. Die wirkungsorientierten Ansätze der Markendefinition haben sich mittlerweile durchgesetzt; vgl. Bauer (2004).
61 Preisprämien, aber auch psychografische, konsumentenbezogene Effekte wie die Erhöhung von Markenbekanntheit oder Markenimage.214 Um einen Überblick über die relevanten Faktoren zu erlangen, die in die Messung der Markeneffizienz einfließen könnten, bietet es sich an, die von den verschiedenen Gruppen von Markenbewertungsverfahren vorgeschlagenen Variablen zu betrachten und diese hinsichtlich ihrer Zugehörigkeit zur Input- oder Outputseite zu strukturieren. Hierzu sollen die Kernaussagen der etablierten Verfahren kompakt zusammengefasst werden, um offene Forschungsfragen in Bezug auf die Markeneffizienzanalyse zu identifizieren. In Tabelle 6 werden die von den Markenbewertungsmodellen behandelten Faktoren, aufgeteilt nach Input- und Outputgrößen, vorgestellt. Aus der kritischen Würdigung der bestehenden Markenwertmodelle ergeben sich einige Schwächen, die die Entwicklung eines effizienzorientierten Markenbewertungsansatzes notwendig erscheinen lassen. So behandeln viele Ansätze nur wenige Größen und nehmen keine Verknüpfung mit den von anderen Ansätzen vorgeschlagenen Variablen vor. Modell
Inputbezogene Größen
Outputbezogene Größen
Betriebswirtschaftlich-finanzorientierte Modelle Ertragswertorientierter Ansatz von Kern (1962)
• Abdiskontierte markenspezifische Cash Flows/Jahresüberschüsse über die Lebensdauer der Marke
• „x-fache“ des Gewinns/Umsatzes • Markenerlöse (Preispremium multipliziert mit
Modell von Herp (1982) Investitions- und kostenorientierte Verfahren (vgl. Kapferer 2005)
Absatzmenge)
• Markenkosten (historische Kosten/Investitionen in die Marke oder gegenwärtige „Wiederbeschaffungskosten“)
Kapitalmarktorientiertes Modell von Simon/Sullivan (1993)
• Börsenwert abzüglich des Wertes der materiel-
Modell von Consor (vgl. Zimmermann et al. 2001, S. 37)
• Marken-Cash-Flow (berechnet aus Lizenzge-
Modell von Crimmins (1992)
• Preispremium (Preisdifferenz zu einer gleich
len Aktiva
• Erzielter bzw. potenzieller Verkaufspreis der Marke (Marktwert) bühr für vergleichbare Marke und Jahresumsatz)
wünschenswerten Konkurrenzmarke; value added by brand)
Modell von Sander (1994)
• Markenkosten (Differenz
Unternehmenswertmodell von Repenn/ Weidenhiller/ Tafelmaier (2005)
• Grundwert (Kosten zur
214
zwischen Kosten für Markenartikel und unmarkiertes Produkt) Schaffung und Erhaltung der Marke)
Vgl. Bauer/Huber (1997).
• Markenerlöse als hedonischer Preis des Merkmals „Marke“ (d.h. der durch Marke bewirkte Mehrerlös pro Produkteinheit)
• Betriebswert (Markenerlöse als %-Anteil vom Jahresumsatz)
• Lizenzgewinne
62 Psychografisch-verhaltensorientierte Modelle Modell von Aaker (1991)
• • • • • •
Modell von Keller (1993) Markeneisberg-Modell von Icon (vgl. Andresen/Esch 1999)
Markentreue Wahrgenommene Qualität (Image) Markenbekanntheit Markenassoziation Markenbekanntheit Markenwissen
• Markenbild (Markenbekanntheit, Einprägsamkeit, Markenpräsenz, Klarheit und Attraktivität des inneren Markenbildes, Markenuniqueness)
• Markenguthaben (Markensympathie, Markenvertrauen, Markenloyalität) Brand Asset Valuator von Young & Rubicam (vgl. Zimmermann et al. 2001)
• Markenstärke (Differenzierung, Relevanz) • Markenstatus (Ansehen, Vertrautheit)
Modell von McKinsey (vgl. Zimmermann et al. 2001)
• • • • •
Modell von Kapferer (2005)
Marktanteil Preispremium Eingesparte Marketingkosten Leveragepotenzial Funktionaler Markennutzen: - Risikoreduktion (Sicherheit, Ersparnis von Transaktionskosten) - Qualitätssignalisierung - Kaufhabitualisierung
Kombinativ-zweistufige Modelle Modell von Interbrand (vgl. Penrose 1989)
• Marketing-Unterstützung (Werbung, Promotions, Handelsunterstützung)
• Markteinfluss (Marktanteil, Handelsdurchsetzung, Image etc.)
• Marktposition (Volumen, Markenbindung, Nach-
• Rechtlicher Schutz der Marke
frage etc.)
• Markenstabilität (Alter, Akzeptanz) • Internationalität der Marke • Trend der Marke (zukünftiges Entwicklungspotenzial)
• Markenqualität (Persönlichkeit etc.)
Nielsen Brand Performancer (vgl. Kriegbaum 2001)
• • • • • • • • •
Markengewinn Marktvolumen Marktanteil Marktanteilswachstum Marktwachstum Gewichtete Distributionsquote Markenbekanntheit Markentreue Markenrelevanz
• Monetärer Markenwert (Markenwertanteil am Ertragspotenzial)
63 Marktorientiertes Markenbewertungsmodell von BekmeierFeuerhahn (1998)
Modell von Sattler (1999)
BEES-Modell (vgl. Zimmermann et al. 2001)
• Werbliche Unterstützung (Werbebudget)
Brand Equity Evaluator/BEVA-Modell (vgl. BBDO 2004; Zimmermann et al. 2002)
• • • • • •
Aufpreisbereitschaft
• • • • • • •
Markengewinn
Markenerweiterungsakzeptanz Markentreue Markenbeachtung Marken-Pull-Effekt Zukunftsaussichten
Marktstellung Marktanteil Gewichtete Distributionsquote Bekanntheitsgrad Imagevorteil Wiederkaufrate
• Langfristiger monetärer Markenwert • Markenqualität (Umsatzentwicklung, Umsatzprofitabilität, Entwicklungsperspektive)
• Internationalität • Marktstärke in der Branche • Markenimage • Vorsteuergewinn • Markenstatus (Funktionsstatus, Marktstatus, Psychografischer Status, Identitätsstatus, Mythosstatus)
• Markendominanz/Markenrelevanz • Internationalität der Marke • Markengewinn in Form ersparter Lizenzgebühren (Relief from Royalty)
Tabelle 6: Übersicht etablierter Markenwertmodelle
Die meisten Modelle erfassen den Wert einer Marke zudem ausschließlich durch Outputgrößen. Nur einige finanzwirtschaftliche Verfahren betrachten Inputs der Markenführung. Es erfolgt somit keine gleichzeitige Betrachtung von Ergebnis(ziel)größen und Einsatzfaktoren, wodurch eine Einbettung in einen ökonomischen Zusammenhang, der Ursache-Wirkungs-Analysen ermöglicht, nicht erfolgt.215 Lediglich die Kombinationsmodelle berücksichtigen finanzorientierte und nicht finanzorientierte (konsumentenbezogene) Outputgrößen gemeinsam. Beide Dimensionen sind für ein ganzheitliches Verständnis von Markenwert unverzichtbar. Beide repräsentieren verschiedene Gruppen von Zielgrößen der Markenführung, die 215
Vgl. Sattler (1998), S. 194.
64 eigenständige Erklärungsbeiträge zur Entstehung von Markeneffizienz leisten. Außerdem erfolgt, wenn überhaupt mehrere Markenwertindikatoren herangezogen werden, die Gewichtung der Kriterien exogen, d.h. in hohem Maße subjektiv. Dabei werden die Gewichte zumeist nicht offen gelegt.216 Dadurch bleibt die genaue Vorgehensweise der Ermittlung des Markenwertes im Dunkeln. Zudem wird der Markenwert überwiegend nicht relativ, d.h. im Vergleich zu den (besten) Wettbewerbern, bestimmt, obwohl eine solche Benchmarkorientierung im Rahmen der Markenbewertung in der Literatur ausdrücklich gefordert wird.217 Zwar wird in der Literatur zunehmend die Forderung nach einer Bewertung der Markeneffizienz i. S. der Effizienz der Markenführung laut. Arbeiten zur Konzeptualisierung des Markeneffizienzkonstruktes existieren jedoch bisher ebenso wenig wie Ansätze zu dessen Messung. Lediglich Davidson verwendet explizit den Begriff Branding Efficiency, schlägt zu deren Messung jedoch ausschließlich outputorientierte Kennzahlen wie Kundenpräferenz, Aufmerksamkeit, Image und wahrgenommene Differenzierung zu anderen Marken vor.218 In Anbetracht dieser erheblichen Forschungslücke widmet sich eine der drei empirischen Studien dieser Arbeit ausführlich der Analyse der Markeneffizienz auf Basis von 33 der in Deutschland am weitesten verbreiteten Automobilmarken. Dieser Ansatz auf Basis der DEA ermöglicht es, einige der identifizierten Nachteile der vorgestellten Markenbewertungsansätze zu überwinden. Nach Kenntnis des Autors wird hier erstmalig die Marke unter produktionsökonomischen Aspekten untersucht. Das Konzept der Markeneffizienz erlaubt es, die in den verschiedenen Ansätzen vorgeschlagenen Faktoren simultan zu betrachten und in Form von Input-Output-Relationen zu verknüpfen. Die nicht parametrische Vorgehensweise ermöglicht außerdem eine endogene Bestimmung der optimalen (bestmöglichen) Gewichte, mit der die Indikatoren in die Bestimmung des Markenwertes einfließen. Die Offenlegung der Gewichtungen der Input- und Outputparameter ist eine wesentliche Stärke der DEA. Durch die endogene Gewichtung der Inputund Outputfaktoren können zudem mehrere Marken als effizient eingestuft werden. Sie erlaubt, jeder ineffizienten Marke eine individuell vergleichbare Referenzmarke zuzuweisen, die Handlungsimplikationen für eine effiziente Markenführung liefert. Da hierdurch die relative Markeneffizienz untersucht wird, kann zudem das Benchmarkingproblem gelöst werden. Die Effizienz einer Marke wird an der Effizienz alternativer Marken relativiert. Basierend auf dem Überblick bestehender Ansätze kann nun eine Präzisierung des Markeneffizienzkonzeptes vorgenommen werden. Zunächst ist festzustellen, dass die oben dargestellten Markenwertansätze eine Fülle von Indikatoren des Marken216 217 218
Vgl. Bekmeier-Feuerhahn (1998), S. 80. Vgl. Trommsdorff (2004), S. 1856 f. Vgl. Davidson (1999), S. 765.
65 wertes liefern, die sich inhaltlich zum Teil stark überschneiden oder sogar synonym sind und von den Ansätzen nur mit unterschiedlichen Begriffen belegt werden. So wird z.B. ersichtlich, dass die in Tabelle 6 aufgeführten Indikatoren Markenimage, Markenassoziationen, Vertrauenskapital und Imagevorteil inhaltlich weitgehend übereinstimmen und sich etwa unter dem Faktor „Markenimage“ zusammenfassen lassen. Begriffe wie Wiederkäufe und Breite der Kundenbasis stehen für „Markentreue“. Da die dargestellten Markenwertmodelle kaum Angaben zu möglichen Inputgrößen machen, besteht ihr Beitrag v.a. darin, Hinweise auf mögliche Outputgrößen zu erlangen und diese zu klassifizieren. Aus diesen sind nun jene „generischen“, inhaltlich eigenständigen Outputs zu extrahieren, die in das Markeneffizienzmodell einfließen sollten. Um eine theoretische Fundierung zu gewährleisten, muss die Auswahl der Outputs entlang der Stufen des Entscheidungsprozesses bei der Markenwahl erfolgen. Im Folgenden sollen der Markenwahlprozess kurz theoretisch strukturiert und darauf aufbauend die zentralen Outputgrößen, die die Ergebnisse der verschiedenen Stufen des Entscheidungsprozesses widerspiegeln, abgeleitet werden. Als konzeptioneller Rahmen dienen der Brand-Screen-Ansatz von Gelbert et al. und das Fünf-Stufen-Modell der Markenführung von Bauer.219 Relevante Markenoutputs Als erster Schritt zur Erzielung einer Kaufhandlung muss sichergestellt werden, dass eine Marke überhaupt bekannt ist und ins Bewusstsein des Verbrauchers dringt. Markenbekanntheit erfasst die Wahrscheinlichkeit, dass eine Marke im Gedächtnis abrufbar ist, wobei diese Größe sowohl gestützt als auch ungestützt erhoben werden kann.220 Diese Stufe spiegelt v.a. die Wiedererkennungs- und Risikoreduktionsfunktion einer Marke wider, da bekannte, etablierte Marken eine Art Herkunftsnachweis bzw. Gütesiegel für den Konsumenten darstellen. Sie knüpft an die formale, merkmalsorientierte Definition der Marke i. S. eines Markenartikels an, der sich durch hohe Marktverbreitung und -geltung auszeichnet.221 Auf der ersten Stufe der kognitiven Verankerung baut der Konsument zur Marke noch keine emotionale Verbundenheit auf, sie ist aber Voraussetzung dafür, dass die Marke positiv und als begehrenswert wahrgenommen werden kann und Sympathie auslöst. Die darauf folgenden Outputgrößen rücken emotionale Hinwendungen beim Konsumenten zunehmend in den Mittelpunkt, wodurch der wirkungsbezogene Ansatz immer stärker in die Output-Modellierung integriert wird. Durch eine emotionale Beziehung zum Markenartikel entwickelt der Konsument in einem zweiten Schritt eine sympathische Wahrnehmung der Marke, die Voraussetzung für ein positives
219 220 221
Vgl. Bauer (2004); Gelbert et al. (2003), S. 52 f. Vgl. Aaker (1991), S. 29; Keller (1993), S. 3. Vgl. Bauer (2004), S. 17.
66 Image darstellt.222 Das Markenimage wird in der Literatur nahezu einstimmig als der wichtigste Aspekt der Markenstärke angesehen und gilt branchenunabhängig als relevante Determinante der Markenpräferenz. Es bezeichnet das öffentliche Vertrauenskapital der Marke, es liefert zudem einen das Geltungsbedürfnis befriedigenden Zusatznutzen.223 Ein starkes Image (Fremdbild) einer Marke im Kopf des Konsumenten wirkt bei hoher Kongruenz mit dem Selbstbild u.U. stark identitätsstiftend. In jedem Fall setzt die Entstehung eines positiven Markenimage ein aktives Involvement des Konsumenten voraus, der sich dann über die Marke selbst inszeniert (demonstrativer Konsum) und möglicherweise sogar soziale Orientierung und Sinnstiftung erfährt.224 Ein positives Vorstellungsbild (Image) reflektiert eine positive Einstellung zur Marke, die die Marke im evoked set verankern bzw. positionieren und zu bestimmten Verhaltenskonsequenzen führen soll. Diese konkretisieren sich in einem Kaufakt und der Akzeptanz eines Preispremiums. Der Kauf resultiert idealerweise in Wiederkäufen aufgrund von bewusster oder habitualisierter Markentreue, die zu weiteren Erlösen führen. Die Markentreue spiegelt den Bindungs- und Zufriedenheitsgrad beim Verbraucher wider und steht dadurch in direkter Verbindung zum Ertragspotenzial einer Marke.225 Das markenspezifische Preispremium stellt die zentrale finanzorientierte Outputgröße dar. Sie drückt den Anteil der Preiszahlungsbereitschaft aus, der allein durch den Markennamen erklärt wird. Er zeigt damit den markenspezifischen Aufschlag auf den Preis des technischen, unmarkierten Kernproduktes bzw. eines funktional ähnlichen Produktes mit vergleichbaren tangiblen Eigenschaften an.226 Einige Autoren setzen im Prinzip das Preispremium dem ökonomischen Markenwert gleich.227 In jüngster Zeit wird jedoch zunehmend Kritik an der Aussagekraft des Preispremiums geäußert, da diese Kennzahl die Mengenkomponente nicht berücksichtigt. So kann ein hohes Preispremium eventuell - dem üblichen Verlauf der Preis-Absatz-Funktion entsprechend - in einem Rückgang der Stückzahlen resultieren. Gleichermaßen lassen sich aber auch Argumente dafür finden, dass starke Marken aufgrund ihrer Sicherheitsund Qualitätsindikatorfunktion zu einem Mehrabsatz (Mengenpremium) führen. Um die Mengeneffekte zu integrieren, sollte statt des Preispremiums das Umsatzpremium (revenue premium) einer Marke herangezogen werden.228 Das Umsatzpremium spiegelt den tatsächlich markeninduzierten Umsatzanteil wider. Demgegenüber wird
222 223 224 225 226 227 228
Vgl. Huber/Herrmann/Peter (2003), S. 354. Vgl. Aaker (1991), S. 28; Kapferer (2005), S. 191. Vgl. Bauer (2004); Meffert/Koers (2001), S. 294 ff. Vgl. Schulz/Brandmeyer (1989), S. 367; Valtin (2005), S. 91. Vgl. Bauer et al. (2004), S. 11 f.; Valtin (2005), S. 110 f. Vgl. Crimmins (1992), S. 141; Sander (1994), S. 244; Valtin (2005). Vgl. Ailawadi/Lehmann/Neslin (2003), S. 3 f.
67 in einigen finanzorientierten Verfahren fälschlicherweise der Jahres-Gesamtumsatz des Markenherstellers als Markenerlös verwendet.229 Wie bereits dargelegt, werden in den bestehenden Markenbewertungsansätzen Inputgrößen kaum thematisiert. Findet sie statt, so werden die Inputs zumeist unter dem Begriff „Markenkosten“ zusammengefasst und nicht näher aufgespaltet. Ein Überblick über relevante Instrumente der Markenführung, die die Markeninputs determinieren, kann aus der Literatur zu Markenmanagement bzw. -führung gewonnen werden. Relevante Markeninputs Die Kosten aller Aktivitäten im Rahmen der Markenführung, die erst dazu führen, dass Marken systematisch aufgebaut und gepflegt werden, müssen als monetäre Inputs der Markenführung berücksichtigt werden. Sie repräsentieren ganz allgemein zunächst alle Markenkosten im Sinne sämtlicher Kosten, welche nicht anfielen, wenn das betrachtete Produkt als unmarkiertes Produkt angeboten werden würde.230 Da die Ausgestaltung des Marketinginstrumentariums für Markenprodukte und somit die Allokation der Markenbudgets vom Hersteller gezielt gesteuert werden kann, ist eine undifferenzierte Betrachtung eines Aggregats „Markenkosten“ nicht sinnvoll. 231 Vielmehr stellen die Kosten der einzelnen Instrumente diskretionäre Inputs dar, die als Stellhebel zur Effizienzsteigerung dienen. Lediglich einige finanzorientierte Verfahren nehmen eine Differenzierung der Markenkosten vor, die den Markenerlösen gegenübergestellt werden. Zu diesen zählen zuallererst die Werbeausgaben für Print-, Outdoor- und elektronische Medien, die den relativen Werbeanteil bestimmen.232 Markenwerbung dient nicht nur der Sicherstellung eines hohen Bekanntheitsgrades. Eine ästhetisch ansprechende und aufwändige Werbung kann auch einen eigenständigen, emotionalen Nutzen (hedonischen Wert) stiften, wie dies die MarlboroWerbung seit Jahrzehnten eindrucksvoll belegt. Sie ist damit im Sinne der MeansEnd-Theorie auch Mittel zur Werterfüllung.233 Neben der Werbung werden in der Literatur auch Distributions- und Qualitätsmanagement als weitere wesentliche Instrumente genannt, auf die sich die Markenführung erstreckt.234 Da die Ubiquität einer Marke eine leichte Zugänglichkeit sicherstellt, stellen Investitionen in die akquisitorische und physische Distribution einen erheblichen Anteil der aufgewendeten Inputs dar. Eine überragende Marktpräsenz, die sich in einem dichten Vertriebsnetz bzw. einer hohen nummerischen Distribution widerspie229
230 231 232 233 234
Vgl. Bekmeier-Feuerhahn (1998), S. 79; Kern (1962), S. 26; Repenn/Weidenhiller/Tafelmaier (2005), S. 37; Simon/Sullivan (1993), S. 38. Vgl. Sander (1994), S. 242. Vgl. Charnes et al. (1997b), S. 146; Murthi/Srinivasan/Kalyanaram (1996), S. 332. Vgl. Schulz/Brandmeyer (1989), S. 367; Simon/Sullivan (1993), S. 33 f. Vgl. Bauer et al. (2004), S. 10, 16. Vgl. Gelbert/Böing (2003), S. 11 f.
68 gelt, kann in gewissem Grade auch eine kostenintensive, breitenwirksame Werbung substituieren.235 Die Produktqualität ist eine Kernvoraussetzung für eine positive Markenwahrnehmung, wie die Beispiele vieler Marken zeigen, deren negatives Image vor allem aus einem schlechten Qualitätsimage herrührt. Eine hohe und verbesserte Produktqualität ist schon seit den Anfängen des Markenwesens ein konstituierendes Merkmal eines Markenartikels. Nach der klassischen, merkmalsbezogenen Markendefinition wird der Begriff „Markenartikel“ sogar weitgehend mit den Begriffen Qualitätsbürgschaft oder Gütesiegel gleichgesetzt. Aufwendungen zur Sicherung bzw. Steigerung der funktionalen Produktqualität haben einen erheblichen Anteil an den Markenkosten. Hohe Sachqualität (die Qualität physikalisch-technischer Merkmale, die Verarbeitungs- sowie die Funktionsqualität) manifestiert sich zum einen in den hochwertigen Materialien oder Inhaltsstoffen der Produkte. Zum anderen kann sie, den Implikationen des TQM-Ansatzes folgend, nur durch Sorgfalt und Expertise aller Wertschöpfungsprozesse vom Einkauf über die Produktion/Verarbeitung bis zum Vertrieb langfristig sichergestellt werden. Zur Steigerung der ästhetische Qualität eines Produktes aufgewendete Kosten dürften als Markenkosten besonders relevant sein, da Aspekte wie Design einen Zusatznutzen bieten, durch den sich eine Marke differenzieren kann. 236 Weiterhin sind Ausgaben, die durch Mitarbeiter im Markenmanagement entstehen, zu den Markeninputs zu zählen. Im Rahmen der klassischen Marketingeffizienzforschung steht hierbei die Messung der physischen Arbeitsleistung im Vordergrund. Diese liegt im Markenmanagement in ihrer Bedeutung weit hinter dem geistigen Mehrwert, den ein Mitarbeiter zu leisten vermag.237 Auch die Gehälter der Mitarbeiter oder die Größe des Brand Teams ließen sich als Input heranziehen. Die Quantifizierung der Personalkosten im Rahmen empirischer Studien dürfte aber aufgrund der zum Teil schweren Zurechenbarkeit und der hohen Sensibilität der Daten ein erhebliches Problem darstellen. Auch Markenentwicklung und -schutz werden zuweilen als eigenständige Instrumente des Markenmanagement genannt, deren Kosten stellen daher einen Inputfaktor dar. Die Markenentwicklung umfasst Kosten, die für den Aufbau einer Marke unumgänglich sind, aber aufgrund des spezifischen Charakters kaum explizit berücksichtigt werden können. Dazu gehören einerseits die einmaligen Kosten der Markennamen- und Markenzeichenentwicklung, zu denen auch Kosten für patentamtliche Eintragungen und sonstigen juristischen Beistand gehören. Neben der Neuentwicklung
235 236 237
Vgl. Gelbert/Böing (2003), S. 12. Vgl. Kriegbaum (2001), S. 210. Vgl. Murthi/Srinivasan/Kalyanaram (1996), S. 335.
69 sind auch Veränderungen bestehender Markennamen oder -zeichen einzubeziehen, die auf die Erhaltung bzw. Steigerung der Markenqualität abzielen. Diese Kosten betreffen z. B. das Design, die Form oder die Farbe des Logos, die die Wahrnehmung der Markenqualität seitens des Konsumenten beeinflussen.238 Andererseits sind Kosten für Marktforschung, für öffentliche Profilierung der Marke auf Messen & Ausstellungen und für Lizenzmanagement relevant, die auch als Betriebskosten der Markenführung begriffen werden können.239 Die hier abgeleiteten Input- und Outputgrößen, die in die Bestimmung der Markeneffizienz einfließen können, sind zusammenfassend in Abbildung 4 dargestellt. Markeneffizienz bildet ab, wie gut es der Markenführung gelingt, die eingesetzten Aufwendungen für Werbung, Distribution und Qualitätssicherung etc. in hohe Outputwerte auf allen fünf Kaufentscheidungsstufen zu transformieren. Ist die Marke bekannt?
Markenbekanntheit
Wird die Marke sympathisch wahrgenommen?
Bildet sich eine positive Einstellung zur Marke?
Markensympathie
Markenimage
Wird die Marke wieder gekauft?
Markentreue
Wird ein Preispremium akzeptiert?
Preis-/ Umsatzpremium Monetärer Markenwert
Markenstärke
Marken–Outputs Markeneffizienz = Marken–Inputs
Werbekosten
Distributionskosten
Qualitätskosten
Kosten für Markenentwicklung und -schutz
Personalkosten
Abbildung 4: Konzeptualisierung der Markeneffizienz
3.2.2.2. Preiseffizienz Eng zusammenhängend mit der Messung der Produkteffizienz ist die Bestimmung der Preiseffizienz. Der Preis stellt nach dem nachfragerseitigen Verständnis einen zu erbringenden Input dar, mit dem bestimmte Produkteigenschaften erworben werden.240 Aus Anbietersicht sind die Produkteigenschaften Inputs, die eingesetzt und optimiert werden müssen, um einen möglichst hohen Preis als Output durchzuset-
238 239 240
Vgl. Kriegbaum (2001), S. 210 f. Vgl. Aaker (1991), S. 29; Sander (1994). Vgl. Ratchford et al. (1996), S. 168.
70 zen.241 Entsprechend dieser starken Überschneidungen gibt es in der Literatur nur wenige Beiträge, welche sich explizit mit dem Thema Preiseffizienz auseinandersetzen. Greift man die Sichtweise von Ratchford et al. auf, nach der die Preiseffizienz zu verstehen ist als die Bildung eines Preises am Markt, welcher die Qualität eines Produktes in adäquater Weise widerspiegelt und die Konsumentenwohlfahrt maximiert, ließe sich die gesamte volkswirtschaftliche Literatur aufführen, welche sich mit der Bildung von Gleichgewichtspreisen beschäftigt. 242 Aus diesem Grund folgen wir hier der einschränkenden Überlegung, dass der Preis für ein Produkt nicht allein aufgrund von Marktgegebenheiten entsteht, sondern zu einem (oft erheblichen) Teil durch Entscheidungen des Produktmanagements beeinflussbar ist. Demnach wählt das Management aus einer Menge von durchsetzbaren Preisen denjenigen aus, der den Gewinn des Unternehmens unter Berücksichtigung anderer Kriterien (wie z.B. Imageziele, Verbundeffekte) maximiert. Dies geschieht unter der Annahme, dass sich das Unternehmen fixen Faktorpreisen für die Herstellung seiner Produkte und einer gegebenen Aufnahmekapazität gegenübersieht. Um die Untersuchung einer so verstandenen Preiseffizienz sinnvoll erscheinen zu lassen, muss die Prämisse gelten, dass sich die bearbeiteten Produktmärkte durch Unvollkommenheiten („Störungen“) wie asymmetrische Information, Präferenzen, Transaktions- und Suchkosten auszeichnen, die ein Abweichen des tatsächlichen erzielten Preises vom aufgrund der Produktleistung objektiv gerechtfertigten Preis (Schattenpreis) erst ermöglichen.243 Diese für nahezu alle realen Märkte zutreffende Annahme bedingt die Existenz unterschiedlicher Zahlungsbereitschaften potenzieller Käufer für technisch identische Produktleistungen, die durch unterschiedliche periphere, also nicht direkt zur Kernleistung gehörende Eigenschaften begründet sind. Dies spiegelt das Grundverständnis der modernen Konsumententheorie wider, wonach Konsumenten Produkte nicht als Entitäten, sondern als Eigenschaftsbündel wahrnehmen und ihre Entscheidung auch aufgrund nicht technischer Attribute wie Marke, Design oder Prestige fällen.244 Auch diese Attribute, die quasi extrinsisch sind (d.h. außerhalb des Produktes liegen und zu einem erheblichen Teil vom Nachfrager kognitiv konstruiert werden), bestimmen einen Teil der gesamten Zahlungsbereitschaft der Konsumenten. Sie sind bei der Preissetzungsentscheidung durch das Unternehmen zu berücksichtigen. In Bezug auf die Effizienz der Preisstellung ist dann zu untersuchen, wie hoch ein tatsächlich am Markt durchgesetzter Produktpreis (der sog. Output Price) im Vergleich zu seinem durch die intrinsischen Eigenschaften gerechtfertigten Schatten241 242 243 244
Vgl. Lins/Novaes/Legey (2005). Vgl. Ratchford et al. (1996), S. 167 f. Vgl. Färe/Grosskopf/Lovell (1994), S. 190. Vgl. Bauer/Herrmann/Mengen (1996); Hjorth-Andersen (1986).
71 preis (Input Price) ist.245 Aus Herstellersicht sind folglich die Preise als effizient zu klassifizieren, welche eine maximale positive Abweichung vom virtuellen Schattenpreis aufweisen, d.h. das Preispremium maximieren. Preiseffizienz bedeutet aus Unternehmenssicht somit die Abschöpfung der maximalen Zahlungsbereitschaft der Kunden.246 Entgangene Gewinne aufgrund unvollständiger Abschöpfung der Zahlungsbereitschaft konstituieren Opportunitätskosten, die auf eine ineffiziente Preisfestlegung durch den Anbieter hindeuten. Die Leistungsparameter eines Produktes stellen nach diesem Verständnis die Inputs des Unternehmens dar, welche den Output „Preis“ am Markt rechtfertigen. Einem Unternehmen geht es demnach darum, gegeben der Nachfragefunktion den Preis für seine Produkte zu maximieren bzw. bei einem festen Preisziel die Produktleistung in Form der Ausprägungen der intrinsischen Eigenschaften zu minimieren, um die am Markt erzielbare Produzentenrente maximal abzuschöpfen. Solche Preise sind natürlich aus Käufersicht weniger effizient. Die Optimierung der nachfragerorientierten Produkteffizienz (Customer Value) und die Optimierung der anbieterseitigen Preiseffizienz (Output Price Efficiency) sind also konfligierende Zielsetzungen, die im Rahmen einer ganzheitlichen Marketingeffizienzbetrachtung ausbalanciert werden müssen. Kamakura/Ratchford/Agrawal übertragen in ihrer Studie die Logik der nachfragerorientierten Produkteffizienz auf die Untersuchung der Preiseffizienz, indem sie nun nicht das Output-zu-Input-Verhältnis betrachten (von ihnen als „Eigenschaftseffizienz“ bezeichnet), sondern jenes Produkt suchen, welches für eine Einheit Output den geringsten Input verlangt. Danach ist ein Eigenschaftsbündel dann aus Nachfragersicht preiseffizient, „…if it is the cheapest brand sold for that set of characteristics.”247 Kernfrage dieser Analysen ist die Feststellung des Wohlfahrtverlustes der Nachfrager, der aus der Tatsache resultiert, dass auch nicht preiseffiziente Marken am Markt überleben. Ein Produkt ist aus Nachfragersicht preisineffizient, wenn der virtuelle – z.B. mit Hilfe der DEA kalkulierte - effiziente Preis geringer ist als der am Markt für das betreffende Produkt beobachtete Preis. Der effiziente Preis ist gerade der sog. Schattenpreis des Produktes, der aus Sicht des Konsumenten den fairen Preis darstellt. Die Effizienzwerte messen somit das Ausmaß der „Überpreisung“ des Produktes, welche für die Konsumenten, die ein solches ineffizientes Produkt kaufen, einen Wohlfahrtsverlust (Verlust an Konsumentenrente) impliziert.248 Aus Sicht der Hersteller drückt die von Kamakura/Ratchford/Agrawal ermittelte Differenz aus tatsächlichem und virtuellem Preis nun gerade das Ausmaß der Preiseffizienz 245
246 247 248
Vgl. Färe/Grosskopf/Lovell (1994), S. 177 f. Die ökonomische Logik hierbei ist also, dass die Kosten der extrinsischen (immateriellen) Eigenschaften weit geringer sind als die durch sie bedingten Zahlungsbereitschaften, so dass bei Vorliegen solcher Eigenschaften eine Preispremium erzielbar ist. Ein Preis ist umso effizienter, je höher dieses Premium ausfällt. Vgl. Daum (2001), S. 87 f. Kamakura/Ratchford/Agrawal (1988), S. 289. Vgl. Kamakura/Ratchford/Agrawal (1988), S. 293 ff.
72 aus. Die anbieterorientierte Preiseffizienz ist somit genau das Reziprok der nachfragerorientierten Preiseffizienz, da für Anbieter das Verhältnis von erhaltenem Preis zu den in Geldeinheiten ausgedrückten Eigenschaften eines Produktes zu maximieren ist. Entsprechend können bei einer Preiseffizienzmessung aus Anbietersicht die in der folgenden Tabelle 7 aufgeführten Einflussfaktoren herangezogen werden. Das Problem der Preiseffizienz aus Kundensicht soll in der folgenden Tabelle nicht weiter thematisiert werden, da es das Pendant zur nachfragerorientierten Produkteffizienz darstellt, die ausführlich oben behandelt wurde. Autoren Input Output Kamakura/ • Effizienter Preis, d.h. Preis der Produk- • Tatsächlich durchgeRatchford/ setzter Preis te, die den geringsten Preis für ein beAgrawal (1988) stimmtes Bündel an Eigenschaften verlangen; interpretierbar als Summe der Schattenpreise bzw. hedonischen Preise der Produkteigenschaften: - Beinfreiheit - Beschleunigung - Größe - Verbrauch - Fahrkomfort - Handling - Reparaturanfälligkeit - Sonderausstattung Färe/ • Durch Produkteigenschaften gerecht• Tatsächlich erzielter Grosskopf/ fertigter Preis (sog. Inputpreis) Preis (sog. OutputLovell (1994) preis) bzw. Preiszahlungsbereitschaft Parsons (1994) • Leistungsparameter • Preis • Absatzmenge • Anzahl Kundentransaktionen Ratchford et al. • Produktqualität • Preis (1996) • Kundenzufriedenheit Daum (2001) • Entgangener Erlös aufgrund mangel• Durchschnittlicher hafter Abschöpfung der maximalen Preis in einer KunZahlungsbereitschaft dengruppe • Preiszufriedenheit
Methode DEA
konzeptionell
konzeptionell DEA, Regression konzeptionell
Tabelle 7: Beiträge zur Preiseffizienz
3.2.2.3. Kommunikationseffizienz Als Objektbereiche der Analyse der Kommunikationseffizienz sollen hier nur die Instrumente verbrauchergerichtete Sales Promotions und klassische Werbung näher betrachtet werden, die in Unternehmen üblicherweise den Löwenanteil des Kommunikationsbudgets beanspruchen.249 249
Andere Formen wie Sponsoring, Public Relations sowie Direktkommunikation werden im Rahmen dieser Arbeit nicht betrachtet.
73 3.2.2.3.1. Promotioneffizienz Promotionaktionen sind allgegenwärtig im deutschen Handel. Jedes Jahr werden im Lebensmitteleinzelhandel über dreitausend Verkaufsförderungsmaßnahmen durchgeführt. Die Kosten hierfür summieren sich auf Herstellerseite auf über zwei Mrd. Euro zuzüglich Preisreduktionen und Gebühren, die an den Handel gezahlt werden.250 Die jährlich von der GfK und der Zeitschrift Wirtschaftswoche durchgeführte Werbeklima-Studie zeigt, dass die Bedeutung der Verkaufsförderung in den letzten Jahren stetig zugenommen hat. Sie machte im Jahr 2004 20 % der Kommunikationsbudgets deutscher Unternehmen aus und erreichte damit den höchsten Wert der letzten zehn Jahre.251 Insbesondere bei Konsumgütern fällt ein ständig steigender Anteil des Gesamtumsatzes in Aktionszeiträume. Bei vielen Produkten - etwa Waschmittel und Kaffee - liegt diese Quote bei über 50%. Daher ist die ökonomische Relevanz einer Überprüfung der Effizienz gerade bei Promotionaktionen augenscheinlich. Unter Verbraucher-Sales-Promotions werden zeitlich befristete Aktionen verstanden, die den Konsumenten kurzfristige Anreize zum Kauf eines Produktes liefern und so die Kaufabsicht und damit den Absatz fördern sollen.252 Die Kosten der eingesetzten Instrumente in einem bestimmten Geschäft können dabei als Inputs von Promotionaktionen fungieren. Zu den monetären (preisbezogenen) Instrumenten gehören solche, die den Kunden einen ökonomischen Anreiz bieten, indem sie das Preis-Leistungs-Verhältnis des Aktionsproduktes verbessern. Hierzu gehören etwa Preisreduktionen, Treuerabatte, Coupons, Rückerstattungen oder Special Packs (Mehrgaben zum gleichen Preis). Typische nicht monetäre Instrumente, die oftmals die Hinführung zu Preispromotions unterstützen sollen, sind Displays, Handzettelwerbung, Gewinnspiele, Warenproben oder Produktzugaben.253 Preisreduktionen (reine Preispromotions), Displays und Handzettelwerbung sind allerdings die in der Praxis dominierenden und auch in der Literatur am häufigsten untersuchten Verkaufsförderungsinstrumente.254 Anstelle der Kosten der Promotionaktionen auf Einzelgeschäftsebene können als Inputs auch die Distributionsgrade dieser Instrumente über alle Einkaufsstätten herangezogen werden. Diese Größe gibt an, in wie viel % der Geschäfte diese Verkaufsförderungsmaßnahmen eingesetzt wurden. Sie spiegeln somit die Intensität des Instrumenteneinsatzes auf aggregierter Ebene wider, auf der die Promotionaktionen und Abverkaufszahlen der Einkaufsstätten zusammengefasst sind. Diese Verwen-
250 251 252 253 254
Vgl. UGW (2003). Vgl. GfK/Wirtschaftswoche (2005). Vgl. Görtz (2006), S. 11. Vgl. Gedenk (2002), S. 24. Vgl. Abraham/Lodish (1993); Gedenk/Neslin (1999); Gupta/Cooper (1992).
74 dung aggregierter Daten hat gegenüber der Effizienzermittlung auf Einzelgeschäftsebene einige Vorteile. Erstens können diese Daten für die eigenen und die Konkurrenzprodukte über Marktforschungsunternehmen wie GfK oder Nielsen erworben werden und liegen in vielen Unternehmen bereits vor. Aufgrund des geringen Erhebungsaufwandes ist somit eine Untersuchung über eine Vielzahl von Produkten und Maßnahmen wirtschaftlich durchführbar. Zweitens erlaubt dieser Ansatz nicht nur die Untersuchung der eigenen Produkte, sondern auch Vergleiche mit Wettbewerbsprodukten. Zudem würde drittens eine Effizienzbetrachtung auf disaggregierter Ebene eine hohe Kooperationsbereitschaft des Handels erfordern, die kaum gegeben sein dürfte.255 Der Einsatz von Promotioninstrumenten zielt primär auf eine kurzfristige Umsatzsteigerung ab, die somit den wichtigsten Output darstellt. Dennoch ist es für die Abschätzung der mittelfristigen Outputs von Promotions relevant, in welcher Art Verbraucher ihr Einkaufsverhalten aufgrund von Sonderangeboten verändern. Die promotioninduzierte Absatzerhöhung kann auf Marken-, Geschäftswechsel, Bevorratungskäufe oder Gewinnung neuer Kunden für die Warengruppe zurückgeführt werde. In Abhängigkeit davon, welche dieser Ursachen den größten Beitrag zum Promotionabsatz leistet, existieren neben den kurzfristigen Absatzwirkungen auch langfristige Absatzeffekte von Promotions, die von Unternehmen gezielt verfolgt werden und somit als erwünschte Outputs zu betrachten sind.256 Daneben haben Promotions jedoch auch negative Langfristfolgen, die oftmals nicht adäquat berücksichtigt werden und das kurzfristige Umsatzwachstum konterkarieren können. Diese unerwünschten Effekte sind die Ursache dafür, dass Sales Promotions langfristig oft nicht profitabel sind. So müssen zur korrekten Bestimmung des monetären Outputs einer Promotion von den kurzfristigen Umsatzerhöhungen (Zusatzumsatz während der Promotion) jene zukünftigen Umsatzeinbußen abgezogen werden, die durch eine durch die Promotion ausgelöste Bevorratung (sog. forward buying) verursacht sind.257 Die von einer Promotion angestrebte Kaufakzeleration sollte daher idealerweise nur aus einem echten Mehrkonsum bestehen und nicht durch eine zeitliche Kaufverschiebung bedingt sein. Ein weiteres ökonomisches Ziel besteht darin, durch den Einsatz von Verkaufsförderungsmaßnahmen neue Kunden zu gewinnen und somit den Marktanteil zu steigern. Allerdings ist festzustellen, dass sich der Marktanteil durch Verkaufsförderung langfristig kaum ändern lässt, da Konkurrenten oft unmittelbar mit einer eigenen Verkaufsförderung reagieren.258
255 256 257 258
Vgl. Görtz/Hammerschmidt (2006). Vgl. Görtz (2006); Görtz/Hammerschmidt (2006). Vgl. Abraham/Lodish (1993), S. 250; Blattberg/Neslin (1989), S. 88. Vgl. Lal/Padmanabhan (1995).
75 Promotions haben neben diesen möglichen ökonomischen Negativeffekten auch auf nicht ökonomische Zielgrößen negative Auswirkungen. So belegen zahlreiche empirische Befunde, insbesondere für Preisreduktionen, eine Verringerung der zukünftigen Markentreue nach Promotionkäufen.259 Dies gilt für Hersteller- und Handelsmarken in gleichem Maße, wodurch die Vermutung widerlegt wird, durch starke Marken könnte eine Immunisierung gegen die nachteiligen langfristigen Promotioneffekte erreicht werden.260 Auch auf die Einstellung zeigen sich negative Effekte von Warenproben und Preisreduzierungen, insbesondere für Handelsmarken.261 Zudem können auch auf Produktimage und wahrgenommene Qualität oftmals keine signifikanten positiven Einflüsse nachgewiesen werden.262 Aufgrund dieser Befunde ist davon auszugehen, dass Größen wie Markentreue, Einstellung und Image – zumindest für Preispromotions – keine geeigneten Outputgrößen darstellen. Vielmehr müssten negative Effekte auf diese Größen als Inputs modelliert werden, die sich etwa als entgangene zukünftige Gewinne aufgrund einer Verschlechterung von Markentreue und Einstellung erfassen ließen. Tabelle 8 zeigt eine Auswahl von in der Promotionliteratur untersuchten Variablen. Da es zur Messung der Effizienz von Promotions im Sinne von Output-InputVerhältnissen bisher noch keine Arbeiten gibt, werden die in der Tabelle genannten Größen von den entsprechenden Autoren nicht als Inputs bzw. Outputs verwendet. Die Zuordnung erfolgte daher durch den Verfasser hinsichtlich einer möglichen Verwendung als Input- bzw. Outputgrößen in zukünftigen Effizienzstudien.
3.2.2.3.2. Werbeeffizienz Die Werbung dürfte aufgrund des hohen Stellenwertes qualitativer Einflussfaktoten etwa bei der Gestaltung den wohl schwierigsten Bereich der Marketingeffizienzmessung darstellen, der gleichzeitig jedoch zunehmende Aufmerksamkeit erfährt.263 Dies lässt sich auf die stetige Erhöhung des Werbevolumens in den Medien und den da259
260
261 262 263
Vgl. Dodson/Tybout/Sternthal (1978); Folkes/Wheat (1995); Gedenk/Neslin (1999); Guadagni/ Little (1983); Shoemaker/Shoaf (1977). Vgl. Gedenk/Neslin (1999), S. 451. Demgegenüber gibt es empirische Hinweise dafür, dass Nicht-Preis-Promotions (v.a. Warenproben) zu einer Erhöhung der Wiederkaufwahrscheinlichkeit und -mengen nach Testkäufen führen, was sich durch Lern- und Dissonanzvermeidungseffekte erklären lässt; vgl. Gedenk/Neslin (1999). Dafür erreichen aber Preispromotions deutlich höhere Erstkaufwahrscheinlichkeiten im Vergleich zu Nicht-Preis-Promotions, wodurch der Trade Off zwischen kurz- und langfristigen Outputs belegt wird. Vgl. Gupta/Cooper (1992), S. 403; Monroe (1990). Vgl. Gupta/Coper (1992). Das Thema steht insbesondere in der Werbepraxis auf der Agenda der aktuellen Managementherausforderungen weit oben, wie die Beiträge von Engeser (2003), S. 51 f.; Gelbert/Kam/Büschken (2002); McDonald (1995), S. 52; Schroiff (1999), S. 16; Sommer (1994), S. 7 und Steffenhagen (1999), S. 30 beispielhaft zeigen.
76 raus resultierenden zunehmenden Werbedruck zurückführen, welcher dazu führt, dass die Frage „Wie viel erhalte ich pro investierten Werbeeuro zurück?“ immer häufiger gestellt wird. Autoren Kiener (1980)
Inputs
Outputs
• Kosten der Verkaufsförde-
Gupta/ Cooper (1992)
• Preisreduzierungen • Displaywerbung • Art der promoteten Marke
• • • •
rung
Umsatz
Methode konzeptionell
Marktanteil Kaufabsicht Wahrgenommene Ersparnis (perceived discount)
ANOVA, Regression
(Handels- vs. etablierte Herstellermarke)
• • • • • • Gedenk/ • Neslin (1999) • Abraham/ Lodish (1993)
Daum (2001) •
Einkaufsstätten-Image Preisreduzierungen
• Kurzfristiger Zusatzumsatz (inc- Regression, • Langfristige Kaufakzeleration
Kreuztabellen, Mittelwertvergleiche
• Kaufwahrscheinlichkeit
Logit-Modell
remental sales)
Displayeinsatz Werbung Sonderpackungen Couponeinsatz Preisreduktion
Umfang von Nicht-Preis• Promotions (Warenproben, • Produktdemonstrationen) Anzahl durchgeführter Promotionaktionen
• Promotionkosten
Markenloyalität Wiederkaufrate
• Absatz / Umsatz aufgrund von
konzeptionell
Verkaufsförderungsaktionen
• Anzahl erzielter Kontakte bzw. gewonnener Neukunden durch Verkaufsförderung
• Zufriedenheit des Handels mit der Verkaufsunterstützung Kotler/ Bliemel (2001)
• Anzahl Promotionaktionen
Reichmann (2005)
• Zusätzliche Kosten auf-
• • • •
Anzahl eingelöster Gutscheine
konzeptionell
Umsatz Anzahl Kundenanfragen Zusätzlicher Umsatz
konzeptionell
grund Verkaufsförderung
Tabelle 8: Beiträge zur Promotioneffizienz
Werbeverantwortliche stehen aufgrund knapper werdender Werbebudgets immer stärker in der Pflicht, deren produktiven Einsatz nachzuweisen. Letztendliches Ziel einer systematischen Evaluierung der Werbeeffizienz ist es, mögliche Overspendings in den Kommunikationsaktivitäten aufzudecken.264 Über die einzubeziehenden Werbeinputs besteht in der Literatur weitgehend Einigkeit. Neben den Werbekosten (Kosten der Konzeption und des Tests einer Kampag-
264
Vgl. Herremans/Ryans/Aggarwal (2000); Luo/Donthu (2005).
77 ne, Schaltungskosten) werden hier Größen wie Kontaktsumme, Länge einer Kampagne, Anzahl der Anzeigen, Anzahl der Wiederholungen, Vergütung der Mitarbeiter der Werbeabteilung vorgeschlagen.265 Wesentlich komplexer ist die Auswahl der relevanten Werbeoutputs in Form der anzustrebenden Werbeziele, die in der Literatur eine breite Behandlung erfahren. Sie sind nach gängiger Einteilung in psychografische Wirkungen der Werbung sowie den ökonomischen Erfolg der Werbung zu trennen.266 Dabei sind die beiden Effekte nicht unabhängig voneinander, vielmehr stellen erstere eine notwendige, jedoch nicht hinreichende Bedingung für das Erreichen von Erfolg dar. Die Auswahl der relevanten Outputs bestimmt damit die inhaltliche Konkretisierung des Begriffes der Werbeeffizienz, der sich primär auf Werbewirkung oder Werbeerfolg beziehen kann.267 Aufgrund ihrer hohen Bedeutung wird auf die beiden Perspektiven näher eingegangen. Werbeerfolgseffizienz Die Werbeerfolgsmessung stellt nicht die Frage, warum und auf welche Art eine Werbung wirkt. Es wird lediglich versucht, einen Zusammenhang zwischen ökonomischem Erfolg und eingesetzten Werbemaßnahmen herzustellen.268 Aus der Perspektive der Werbeerfolgsmessung ist Effizienz als „Werbeerfolgseffizienz“ zu verstehen, die definiert ist als das Verhältnis der Werbeinvestitionen zu den finanziellen Effekten. Eine diesbezügliche Messung könnte z.B. vorgenommen werden, indem die Entwicklung von Absatzzahlen bzw. Erlösveränderungen eines beworbenen Produktes über einen Zeitraum beobachtet wird, innerhalb dessen eine Werbekampagne geschaltet wird.269 Steffenhagen schlägt darüberhinaus die erzielten Bruttokontakte, den Werbedruck (z.B. gemessen durch Gross Rating Points), Reichweite, induzierte Probierkäufe und Marktanteilsveränderungen als Erfolgsgrößen vor. Alternativ lässt sich auch die durch die Werbung ausgelöste Veränderung des Customer Equity, d.h. der kumulierten Customer Lifetime Values aller aktuellen und potenziellen Kunden als ökonomisches Erfolgsmaß von Werbekampagnen heranziehen.270 Solche Studien versuchen, Werbemaßnahmen anhand direkt messbarer, monetärer (harter) Daten zu bewerten. Insgesamt stellen die monetären Größen einen direkten Zusammenhang zu den ökonomischen Spitzenkennzahlen wie Gewinn oder Unternehmenswert her. Sie helfen, den Return on Investment einer Werbekampagne und somit deren Wertsteigerungsbeitrag zu bestimmen. Eine solche Erfolgsmessung ist jedoch nicht unproblematisch: Eine genaue ursächliche Zurechnung ökonomischer Effekte (z.B. des Produkterfolgs) auf die manipulierte 265 266 267 268 269 270
Vgl. Büschken (2006); Luo/Donthu (2005); Sheth/Sisodia (1995a); Steffenhagen (2003). Vgl. Mayer/Illmann (2000), S. 640; Zanger/Drenger (1999), S. 32. Vgl. Bauer/Hammerschmidt/Garde (2004b). Vgl. Pepels (1996), S. 103. Vgl. Erichson/Maretzki (1993); Schroiff (1999), S. 18. Vgl. Rust/Lemon/Zeithaml (2004).
78 Variable „Werbekampagne“ ist nur schwer möglich. Für die sachlich richtige Zuordnung müssten die Effekte simultan ergänzender Marketing-Mix-Instrumente - wie etwa Produktqualität, die Erhältlichkeit und Preisstellung - isoliert und herausgerechnet werden.271 Ebenso sind die Effekte anderer Instrumente innerhalb des Kommunikations-Mixes selbst zu berücksichtigen. Außerdem erweist sich eine exakte zeitliche Abgrenzung der Wirkungen als schwierig, da oft nicht bekannt ist, wann eine Reaktion auf die Werbung erfolgt (Delay-Effekte) bzw. ob es sich um Auswirkungen vorausgegangener Werbaktivitäten handelt (Carry-Over- bzw. Hold-Over-Effekte).272 Weitere Einflussfaktoren auf den Werbeerfolg sind auch durch die Kommunikationsanstrengungen konkurrierender Unternehmen, durch informelle Kommunikation zwischen Konsumenten und durch allgemeine Änderungen im Konsumverhalten gegeben.273 Aus den genannten Gründen misslingt oftmals der Versuch, den Zusammenhang zwischen ökonomischem Erfolg und dem Einsatz einer Werbemaßnahme nachzuweisen. Insbesondere die Abschätzung der zukünftigen durch Werbung generierten Gewinne erweist sich als extrem schwierig. Außerdem würden solche Analysen letztlich unterstellen, dass Werbebudgets den Umsatz eines Unternehmens determinieren, womit das in Theorie und Praxis gängige Verständnis der Prozesse der Werbewirkung ignoriert würde.274 In ihrer viel zitierten Metaanalyse von 389 Werberesponse-Experimenten testen Lodish et al. gängige Ansichten über die ökonomischen Wirkungen von Fernsehwerbung. Sie konnten unter Berücksichtigung verschiedener Marken, Produktkategorien, Kaufzyklen, Verwendungszwecke, Preislagen, Verkaufsinstrumente und Marktcharakteristika die häufig geäußerte Vermutung einer stetig steigenden Werberesponsefunktion nicht bestätigen.275 Stattdessen zeigten sich überwiegend abnehmende Grenzzuwächse bzgl. Umsatz und Marktanteil bei Erhöhung der Werbeausgaben. Für 67% der untersuchten etablierten Produkte und Marken führte eine Erhöhung der Werbeausgaben nicht zu nennenswerten Effekten. Vor allem für große Marken zeigte sich sogar ein negativer Werbeintensitäts-Umsatz-Zusammenhang. Demgegenüber weisen neue Produkte und Marken v.a. in wachsenden und breit gefächerten Warengruppen und nach Line Extensions stärkere Umsatzreaktionen auf Fernsehwerbung auf. Dieser Effekt kann verstärkt werden, wenn kurzfristige Sales Promotions begrenzt und die Budgets auf Einführungswerbung konzentriert werden. Auch typische Größen wie Werbeintensität (GRPs) und Anteil der Werbeausgaben in Relation zur Konkurrenz (Share of Voice) waren nicht geeignet, zwischen unterschiedlich 271 272
273 274 275
Vgl. Mayer/Illmann (2000), S. 641 ff. Vgl. Mayer/Illmann (2000), S. 641. Gerade bei der Online-Werbung haben Untersuchungen ergeben, dass ein erheblicher Anteil - zum Teil bis zu 50% der Umsätze – erst 24 Stunden nach einem Kontakt mit einer Online-Werbung und häufig „offline“ realisiert wird; vgl. o.V. (2001), S. 8. Vgl. Pepels (1996), S. 188 f. Vgl. Riedesel (2002), S. 93. Vgl. Lodish et al. (1995), S. 136 f.
79 erfolgreichen Werbekampagnen zu diskriminieren. Selbst eine Verdreifachung der GRPs erhöhte die Wahrscheinlichkeit von Umsatzsteigerungen nicht über das auch zufallsbedingt realisierbare Maß hinaus. Auch der Zusammenhang zwischen den in Copy-Tests standardmäßig eingesetzten Größen wie Werbeerinnerung oder Überzeugungswirkung (Persuasion) und Umsatzsteigerung war nur schwach ausgeprägt bzw. gar nicht vorhanden. „Without change in creative execution changing the spending level has little or no impact on sales”.276 So fassen Lodish et al. einen zentralen Befund ihrer Metaanalyse zusammen, der direkt zum Problem der Werbewirkungseffizienz überleitet. Werbewirkungseffizienz Voraussetzung für eine eingehende Effizienzbeurteilung ist neben dem Wissen über den ökonomischen Erfolg der Werbung insbesondere das Wissen über die psychischen und verhaltensbezogenen Wirkungen der Werbung, die den ökonomischen Konsequenzen vorausgehen und Bedingungen für die letztlich angestrebte Reaktion (Kauf) darstellen.277 Des Weiteren müssen zur Erklärung und Beeinflussung der Werbewirkung auch nicht monetäre Inputgrößen integriert werden, die an der Gestaltung der Werbemaßnahmen und an Mediaselektionsentscheidungen ansetzen. Der Zusammenhang zwischen Maßnahmeneinsatz und Werbewirkung ist dabei wesentlich besser zu beurteilen als der Zusammenhang zwischen Werbeausgaben und Werbeerfolg.278 Entsprechend kann die Werbewirkungseffizienz als das Verhältnis von Werbeinputs zu den psychografischen und verhaltensmäßigen Werbewirkungen definiert werden. Da es sich bei diesen Wirkungen um Resultate eines komplexen psychischen Verarbeitungsprozesses handelt, welcher nur durch theoretische Konstrukte erfassbar ist, existiert hierzu eine Reihe von Modellen, welche sich mit der Strukturierung und Erklärung dieses Prozesses befassen. Hierbei haben sich v.a. klassische Stufenmodelle (AIDA-Regel, Hierarchie-der-Effekte-Modell) und das Attitude-toward-the-AdModell in der Literatur etabliert. Die Stufenmodelle versuchen das Handeln eines Konsumenten nach einem Werbekontakt in Form einer Abfolge von verschiedenen Stufen zu beschreiben. Nach der bekannten AIDA-Regel wird mit der Werbung beim Rezipienten zunächst Aufmerksamkeit (Attention) erzeugt, die sich durch die gestützte bzw. ungestützte Werbeerinnerung (Recognition bzw. Recall) oder den Bekanntheitsgrad erfassen lässt.279 Auf der zweiten Stufe entsteht beim Konsumenten Interesse (Interest) an dem beworbe-
276 277 278 279
Lodish et al. (1995), S. 138. Vgl. Steffenhagen (1999), S. 30. Vgl. Pepels (1996), S. 118. Vgl. Crössmann (2003); Steffenhagen (1999).
80 nen Produkt, aus dem der Wunsch (Desire) resultiert, das Produkt zu erwerben, um anschließend diesen Wunsch in eine Handlung (Action) umzusetzen.280 Die bekannteste Weiterentwicklung dieses Grundmodells ist das von Lavidge/Steiner vorgestellte Hierarchie-der-Effekte-Modell. Ausgangspunkt des Modells ist die Auffassung, dass aus (möglicherweise uninformierten) Rezipienten nicht sofort überzeugte Käufer werden, sondern dieser Wandel einen mehrstufigen Prozess darstellt, an dessen Endposition der Kauf steht. Die einzelnen Stufen sind dabei die Bekanntheit der Existenz eines Produktes (Awareness), Kenntnisse des Produktes, Wertschätzung, Entstehung einer Präferenz, Kaufwunsch (desire to buy) und die Überzeugung, dass der Kauf eine kluge Entscheidung wäre, sowie die Umsetzung dieser Überzeugung in den tatsächlichen Kauf.281 Die Stufenmodelle sind jedoch nicht unkritisch zu betrachten, da sie stark vereinfachend die Werbeeffekte in eine feste hierarchische Ordnung einteilen und dabei andere wichtige Einflussfaktoren, wie z.B. bestehende Produkterfahrung beim Konsumenten oder eine Markendifferenzierung beim beworbenen Produkt, ausblenden. Es ist außerdem anzunehmen, dass die Reihenfolge der Stufen in der Realität variieren kann, einzelne Stufen möglicherweise übersprungen werden und zwischen den einzelnen Schritten Wechselwirkungen existieren. Insofern ist eine Allgemeingültigkeit dieser Regel nicht anzunehmen und empirische Überprüfungen konnten bestenfalls eine partielle Richtigkeit der Modelle bestätigen.282 Allerdings eignen sich die Stufenmodelle gut für eine erste grobe Strukturierung der Effekte einer Werbemaßnahme. Darauf aufbauend können die von Stufenmodellen eher vernachlässigten informations- und motivationsgerichteten Wirkungen der Werbung, insbesondere auf die Einstellung, betrachtet werden. Einen solch differenzierteren Einblick in die Zusammenhänge der Werbewirkung gewährt das AtA-Modell, das zudem stärker Erkenntnisse aus der Kaufverhaltenstheorie (Marktpsychologie) und der Informationsverarbeitungs-Theorie integriert.283 Die Autoren argumentieren, dass die Einstellung des Rezipienten gegenüber einer Werbemaßnahme den Haupteinfluss auf die Kaufintention ausübt. Von dieser Prämisse ausgehend untersuchen sie Determinanten, welche die Einstellung gegenüber einer Werbemaßnahme bedingen. Als solche machen sie die Glaubwürdigkeit der Werbemaßnahme (bezüglich der in der Werbung getroffenen Aussagen über Produkt und Marke), die Wahrnehmung der Werbemaßnahme (hierzu zählen alle kognitiven Aspekte der Kampagne, die nicht unmittelbar vom beworbenen Produkt selbst ausgehen, wie z.B. die Informationsqualität), die Einstellung gegenüber dem Werbenden 280 281 282 283
Vgl. Mayer/Illmann (2000), S. 406 f. Vgl. Lavidge/Steiner (1961). Vgl. Mayer/Illmann (2000), S. 412. Vgl. MacKenzie/Lutz (1989).
81 (positive oder negative Reaktionen des Rezipienten aufgrund bestehenden Wissens über den Werbetreibenden), Einstellung zu Werbung im Allgemeinen (welche auf das Verhalten gegenüber der spezifischen Maßnahme auch positiv oder negativ einwirkt) und die Stimmung des Rezipienten während der Betrachtung der Werbung (Gefühlszustand) aus. Diese Determinanten wirken simultan auf die Einstellung gegenüber der Werbemaßnahme (Attitude toward the Ad) ein. Mit dem AtA-Modell gelingt es, zentrale Aussagen früherer Werbewirkungsmodelle zu integrieren und diese weiterzuentwickeln, weshalb es sich als gute theoretische Fundierung einer Werbeeffizienzbewertung eignet.284 Die von den dargestellten Modellen postulierten Effekte repräsentieren die zentralen psychografischen Werbeziele von Unternehmen, die als Outputs in eine Analyse der Werbewirkungseffizienz einfließen müssen. Bisher haben sich erst wenige Arbeiten mit der Entwicklung von Kennzahlensystemen zur Messung der Werbeeffizienz auseinandergesetzt. Die dort vorgeschlagenen Input- und Outputkennzahlen für beide Begriffsperspektiven finden sich in Tabelle 9.285 Der Überblick in Tabelle 9 zeigt, dass auf der Outputseite nur wenige, überwiegend hoch aggregierte (monetäre) Output-Kennzahlen herangezogen werden und die aus den theoretischen Modellen entwickelten Größen bisher wenig Berücksichtigung finden. Offenbar dominiert das Verständnis der Werbeeffizienz als Werbeerfolg und es wird versucht, Zusammenhänge zwischen den Gestaltungselementen einzelner Werbemaßnahmen bzw. den dafür aufgewendeten Kosten und ökonomischen Spitzenkennzahlen (Umsatz, Gewinn) herzustellen. Zahlreiche Autoren fordern jedoch, die Outputseite multidimensional zu erfassen und auch vor-ökonomische Wirkungsgrößen zu berücksichtigen.286 Auch wenn gerade bei den neueren Werbeformen etwa im Bereich von Online-Medien die Erhebung ökonomischer Wirkungsparameter (wie Click Rate, induzierte Produktbestellungen, heruntergeladene Coupons) leichter fällt und diese genauer den einzelnen Werbemaßnahmen kausal zugerechnet werden können,287 scheint die Forderung nach einer Integration weicher Größen berechtigt. Dies würde ein Verständnis der Ursachen festgestellter monetärer Werbeeffekte erleichtern.
284 285 286 287
Vgl. Bauer/Mäder/Fischer (2003). Vgl. Bauer/Hammerschmidt/Garde (2004b), S. 15 f. Vgl. Bauer/Meeder/Jordan (2002b); Steffenhagen (2003). Vgl. Bauer/Neumann (2002); Werner (2003), S. 41 f.
82 Autoren Böcker (1988)
Inputs
Outputs
• Kosten einer Kampagne • Kontaktsumme Werbekosten
• • • •
Werbeausgaben
• Erlösveränderungen
Marken- und WarengruppenVariablen (z.B. Preis, Markenpenetration, durchschn. CategoryPreis, Kaufzyklus, Verteilung der Umsätze auf Coupon-, Displayund Preisaktionskäufe)
• • • •
Krulis-Randa • (1990) Erichson/ • Maretzki (1993) Lodish et al. • (1995)
• Allgemeine marketingstrategi-
Umsatz Marktanteil
Methode konzeptionell
Anzahl Werbeerinnerungen Umsatz
Umsatzveränderung in % Absolute Umsatzveränderung
konzeptionell konzeptionell Metaanalyse
Marktanteilsveränderung in % Recall (absolut und in Relation zum Category-Durchschnitt)
• Persuasion Score
sche Variablen (z.B. Art der verfolgten Wettbewerbsstrategie, Kooperationen)
• Media Variablen (z.B. Sendezeit, Dauer der Schaltung, GRPs, Gesamtbudget für Mediaplan)
• Gestaltungsvariablen (z.B. Art der Copy Tests, Art der Botschaft, Art des Benefit Claims) Sheth/Sisodia (1995a)
Herremans/ Ryans/ Aggarwal (2000) Daum (2001)
• • • •
Höhe des Werbebudgets
• Absatzmenge
konzeptionell
• Markenwert
Kennzahlenvergleich
• Umsatz(-wachstum) aufgrund
Konzeptionell
Werbeausgaben Länge einer Kampagne Werbeausgaben
• Werbekosten • Anzahl geschalteter Anzeigen
der Erhöhung der Werbeintensität (Werbeelastizität)
• Anzahl gewonnener Neukunden
Bauer/ Meeder/ Jordan (2002)
Crössmann (2003)
• Organisatorische Struktur der Werbeabteilung
• • • •
Marktanteil Anzahl erzielter Kontakte Bekanntheitsgrad Realisierungsgrad der Werbeziele
konzeptionell
• Aufwand für bzw. Anzahl der Werbetests
• Vergütung der Mitarbeiter • Werbeintensität (Werbekosten/Umsatz)
• Werbegewinn
konzeptionell
83 Autoren Inputs Steffenhagen • Monetärer Werbeeinsatz (2003)
Luo/Donthu (2005)
• Werbeausgaben
Outputs
• Bruttokontakte, Kontaktverteilung
• • • • • • • • • • • • • •
Methode konzeptionell
Gross Rating Points Reichweite Share of Voice Kundenanfragen Probierkäufe Wiederkäufe Marktanteil Awareness Bekanntheit Prägnanz Kompetenz Sympathie Vertrauen Umsatz
DEA, SFA
Tabelle 9: Beiträge zur Werbeeffizienz
3.2.2.4. Distributionseffizienz Im Rahmen der akquisitorischen Distribution lassen sich zwei Entscheidungsfelder betrachten: Zum einen der direkte Vertrieb, der durch eigene Verkaufsmitarbeiter, Verkaufsbüros oder Niederlassungen ohne Einschaltung einer weiteren Absatzstufe erfolgt. Zum anderen der indirekte Vertrieb, der vorliegt, wenn Einzel- oder Großhändler im Absatzkanal zwischengeschaltet werden. Da die Effizienz von Handelsmittlern als fremde Distributionsorgane einer Volkswirtschaft bereits bei der makroökonomischen Betrachtung thematisiert wurde, sollen im weiteren nur unternehmenseigene Vertriebsorganisationen (d.h. der direkte Vertrieb) betrachtet werden. Die Bezugsobjekte (Entscheidungseinheiten) der direkten Vertriebseffizienzanalyse lassen sich in drei Kategorien einteilen. Auf der höchsten Aggregationsebene befinden sich zusammengefasste Absatzsegmente in Form der Gesamtheit aller Kundenoder Produktgruppen, Verkaufsgebiete oder Absatzkanäle. Zweitens können einzelne Organisationseinheiten wie Verkaufsbüros (Filialen), Außendienstteams oder das Key Account Management betrachtet werden, die bestimmte einzelne Kunden/Produkte bzw. Kunden-/Produktgruppen bearbeiten. Drittens kann sich auf einer disaggregierten Ebene die Betrachtung auf einzelne Maßnahmen innerhalb einer Organisationseinheit wie etwa Besuchstouren oder Werbemittelaktionen beziehen.288 288
Vgl. Albers/Skiera (2002).
84 Der Analyse und Optimierung der Vertriebseffizienz kommt innerhalb eines effizienzorientierten Marketingcontrolling eine zentrale Bedeutung zu. Die zunehmende Homogenität der Kernprodukte in ausgereiften Märkten lässt v.a. die Performance zusätzlich erbrachter Serviceleistungen, zu denen zweifelsfrei auch die Vertriebsleistung gehört, stärker in das Interesse rücken. Die Messung der Vertriebsperformance i. S. des Return on Sales erscheint auch daher geboten, da die gängige Praxis gerade im Vertriebsbereich immer noch stark von „Bauchhandeln“ und „Macherkultur“ geprägt ist, die es durch systematische, quantitativ fundierte Analysen zu ergänzen gilt. Daher steht die Entwicklung von Konzepten der Performancemessung im Vertrieb schon seit geraumer Zeit im Fokus der Forschung, jedoch konnten bislang keine brauchbaren, umfassenden Ansätze entwickelt werden.289 Aufgrund der üblichen organisationalen Aufspaltung in mehrere relativ homogene Einheiten (z.B. Außendienstteams) erscheint im Vertriebsbereich eine vergleichende Effizienzanalyse besonders vielversprechend. Hier können allein durch eine Ausrichtung an den internen Spitzenleistungen in Form der effizienten Einheiten oftmals erhebliche Gewinnsteigerungen erzielt werden.290 Die in der Literatur aufgeführten Inputs und Outputs der Vertriebsfunktion sind breit gefächert und stark heterogen. Selbst bei der Bewertung ähnlicher Produktarten, Kunden und Vertriebswege besteht in der vorhandenen Literatur keine Einigkeit über zu verwendende Parameter. In Ermangelung einheitlicher Standards bietet es sich an, sich an jenen Inputs und Outputs und deren Operationalisierung zu orientieren, die in der relevanten Literatur am weitesten verbreitet sind. Einen systematischen Überblick über ökonomische und qualitative Inputs und Outputs der Vertriebseffizienz geben Donthu/Yoo, die diese in einer Zusammenfassung verschiedener Studien über einen Zeitraum von 20 Jahren zusammengetragen haben. Die Autoren extrahieren auf der Inputseite vier große Inputkategorien, die das Wettbewerbsumfeld, die Kundenstruktur, die Mitarbeiter- sowie die Managementebene abbilden. Auf der Outputseite werden zwei grundlegende Gruppen von Variablen - ökonomische und verhaltensorientierte Outputs - identifiziert (vgl. Tabelle 10). Wie der Überblick erkennen lässt, dominiert in der Literatur die Verwendung monetärer bzw. leicht zu quantifizierender Größen. Dies ist darauf zurückzuführen, dass die Erhebung qualitativer Größen meist nur durch subjektive Einschätzungen von Experten (üblicherweise Manager) oder der Mitarbeiter selbst erfolgen kann, woraus erhebliche Validitätsprobleme aufgrund unternehmensinterner Manipulationsspielräumen erwachsen. Zahlreiche Autoren fordern daher explizit, aufgrund ihrer höheren Objektivität soweit wie möglich auf „harte“ Daten der erfolgsorientierten Vertriebsper289 290
Vgl. Bonoma/Clark (1992), S. 21-37; Bush/Smart/Nichols (2002), S. 343. Vgl. hierzu die empirische Untersuchung zur Vertriebseffizienz in Kapitel E-3, die die Potenziale eines internen Vertriebsbenchmarking belegt.
85 formance - wie z.B. Besuchszahlen, Mitarbeiterzahl, Einsatz von Werbemitteln und deren Einfluss auf den Umsatz - zurückzugreifen.291 In diesen spiegeln sich letztlich die Größen der verhaltensorientierten Performance der Mitarbeiter wie Kundenbesuche, aber auch weiche Faktoren wie Produktwissen oder Kundenkenntnis wider. In Zusammenfassung des vierten Kapitels bleibt festzuhalten: Die Marketingeffizienz ist als hierarchisch gegliedertes Konzept zu verstehen, welches sich aus unterschiedlichen Aggregationsebenen zusammensetzt. Für diese können dann detaillierte Aussagen und Handlungsempfehlungen generiert werden, die wiederum der Steigerung der Gesamteffizienz dienen. Demnach können entsprechend eines BottomUp-Ansatzes zunächst für die Marketing-Bezugsobjekte der untersten Ebene (z.B. einzelne Produkte, Produktlinien, Vertriebsmitarbeiter, Außendienststellen, Werbekampagnen usw.) die Faktoren ermittelt werden, die den stärksten Einfluss auf deren Effizienz besitzen. Deren Ausprägungen bestimmen wiederum die Höhe der Inputs und Outputs der Bezugsobjekte der übergeordneten Aggregationsebene in Form der Marketing-Mix-Instrumente. Diese determinieren letztlich jene hoch verdichteten Input- und Output-Kennzahlen, die in die Bestimmung der Effizienz der gesamten Marketingfunktion einfließen. Zwischen den einzelnen Ebenen der Hierarchie bestehen also Ursache-WirkungsZusammenhänge, da die Erreichung der Effizienzziele einer Ebene der Erreichung der Ziele auf der nächst höheren Ebene dient. Auf jeder Aggregationsebene ist daher ein System der Effizienzmessung zu institutionalisieren.
Autoren LaForge/ Cravens/ Young (1985) Krulis-Randa (1990) Helm (1996)
Inputs
Outputs
• Anzahl der Mitarbeiter • Größe des Vertriebsgebiets • Kundenattraktivität
• Kundenbindung
Methode PortfolioAnalyse
• • • • • • •
• Umsatz
konzeptionell
• Lieferzeit • Dauer der Auftragsabwick-
konzeptionell
Verkaufskosten Verkaufsfläche Produktkosten Rabatte Skonti Provisionskosten Anzahl Mitarbeiter
lung
• Motivation des Außendienstes
• Reaktionszeit des Kundendienstes
Vavricka/ Trailer (1997)
291
• „Costs of goods sold“ • Vertriebskosten • Administrationskosten
• Umsatz • Gewinn
Vgl. Albers/Skiera (2002); Piercy/Cravens/Morgan (1996); Sheth/Sisodia (1995b).
konzeptionell
86 Autoren Donthu/Yoo (1998)
Inputs
Outputs
• -
• Finanzielle Outputs - Umsatzhöhe - Höhe der Wertschöpfung - Durchschnittliche Brutto-
Exogene Faktoren Vertriebsstruktur Fortschrittlichkeit Konkurrenzdruck Wirtschaftliche Struktur des Vertriebsgebiets
• Kundenstruktur - Anzahl potenzieller Kunden - Sozioökonomische & demografi• -
sche Struktur Psychologische Bedürfnisse Vertriebsmitarbeiter Arbeitsstunden Ausbildungsstand Einstellung Durchschnittliche Lohnhöhe Fachkenntnis & Motivation (Anzahl Schulungen, Verkaufstrainings etc.)
Methode konzeptionell, DEA
marge
- Marktanteil • Verhaltensorientierte Outputs Servicequalität (Anzahl termingerechter Lieferungen, Lieferzeit etc.) - Kundenloyalität - Kundenzufriedenheit
-
• Management - Größe des Unternehmens - Eigentumsverhältnisse (Grad der -
Sharma/ Levy/Kumar (2000)
Autonomie von Filialen) Investitionen in Ausstattung Laufendes Vermögen Zahl der Angestellten Arbeitsintensität Unternehmenskultur Marketing-Mix-Strategien Forschungs- & Entwicklungsanstrengungen Kapazitätsauslastungsgrad Durchschnittliche Lohnhöhe Höhe der Bonuszahlungen Stärke des Betriebsrates
• Zeitaufwand für Vertriebstätigkeit • Komplexität des Kundenwissens
der Mitarbeiter (ermittelt durch Genauigkeit der Dokumentation)
• Umfang der Begleitung des Vertriebsprozesses
• Anteil des Vertriebsmitarbeiters am Gesamtumsatz
Multivariate Varianzanalyse
87 Autoren Daum (2001)
Inputs
Outputs
• • • • • • •
Kosten eines Absatzkanals
• • • •
Umsatz / Deckungsbeitrag
Image des Absatzkanals
• • • • • •
Kosten der Vertriebslogistik
• • • • • •
Kosten des Außendienstes Kosten der Verkaufsstelle Kosten pro Kundenkontakt Kosten einer Kundenakquisition Kosten des Kundendienstes Kosten des Key Account Managements Kosten der Handelsunterstützung Anzahl der Mitarbeiter Anzahl Absatzkanäle Anzahl der Lager Durchschnittlicher Wert des Lagerbestands
Tabelle 10: Beiträge zur Vertriebseffizienz
Umsatz nach Absatzkanal Umsatzanteil Neuprodukte Marktpräsenz eines Produktes Lieferservice Kundenzufriedenheit Anzahl Neukunden Anzahl Aufträge Anzahl Kundenanfragen
Methode konzeptionell
89
C
Das Konzept der relativen Marketingeffizienz: Theoretische Grundlagen und Analysemethoden
1.
Marketingeffizienzanalyse und Benchmarking
1.1.
Benchmarking als Grundprinzip der Marketingeffizienzanalyse
Es wurde bereits angedeutet, dass die Ermittlung einer absoluten Effizienzkennzahl wenig aussagekräftig ist. Um Ineffizienzen einer Aktivität zu ermitteln, ist stets die Verwendung eines Vergleichsmaßstabes erforderlich, der die Bestimmung eines Abstandes und damit einer Leistungslücke erlaubt. Ziel einer solchen vergleichenden Effizienzmessung, die letztlich erst eine Effizienzanalyse im eigentlichen Sinne ermöglicht, ist die Ermittlung einer relativen Effizienz, die in Relation zu einem wie auch immer gearteten außenstehenden Referenzmaßstab ausgedrückt wird.292 Die im Rahmen einer relativen Leistungsbewertung untersuchten Aktivitäten werden auch als Vergleichseinheiten bezeichnet. Eine solche relative Leistungsbewertung ist das konstituierende Merkmal des Benchmarking, welches ein fundamentales und inzwischen fest etabliertes Denkkonzept der modernen Management- und Strategieforschung sowie der Unternehmenspraxis darstellt.293 Es kann und muss somit als konzeptionelle Basis einer relativen Effizienzmessung herangezogen werden. Es ermöglicht eine objektivere Bewertung der eigenen Fähigkeiten und Ressourcen und eine Orientierung der Zielsetzungen und Maßnahmen an externen, realistischen „Modellvorgaben“. Eine Benchmarking erscheint gerade für Leistungsbewertungen im Marketing geboten, da gerade das Marketing als Führungskonzeption eine Ausrichtung aller Aktivitäten an Wettbewerbs- und Kundenanforderungen impliziert.294 In einer generischen, gesellschaftsorientierten Marketingkonzeption kommen als externe Standards die Anforderungen sämtlicher Anspruchsgruppen (Stakeholder) in Betracht. Zum Begriff des Benchmarking gibt es unzählige Definitionen mit verschiedenen Schwerpunkten. Viele Definitionen, wie auch die ursprüngliche Definition, die 1978 von David T. Kearns, CEO der Xerox Corporation eingeführt wurde, verstehen Benchmarking als einen kontinuierlichen Vergleich von Objekten (Produkten, Dienstleistungen und Prozessen) mit dem stärksten Wettbewerber oder dem besten Unternehmen einer Branche. Als Arbeitsdefinition wird oft Camp zitiert: “Benchmarking is the search for industry best practices that leads to superior performance.”295 Die ersten Benchmarkinganwendungen zielten zunächst nur auf die Verbesserung von Pro292 293 294 295
Vgl. Cantner/Hanusch (1998), S. 228; Dyckhoff/Allen (2001), S. 114 f. Vgl. Vorhies/Morgan (2005). Vgl. Homburg (2000), S. 583 f.; Sabisch/ Tintelnot (1997), S. 16 f.; Vorhies/Morgan (2005). Camp (1989), S. 19.
90 duktionsprozessen und deren Kostenstrukturen ab. Inzwischen wurde der Anwendungsbereich auf andere Bereiche und Funktionen und hier insbesondere auf Marketingstrategien und -prozesse ausgeweitet, wodurch dem Engpasscharakter des Marketing im Rahmen der Unternehmensführung Rechnung getragen wird.296 Im klassischen Sinne wird unter Benchmarking immer, so wie von Xerox ursprünglich eingeführt, kompetitives Benchmarking verstanden. Xerox hatte aufgrund zunehmenden Wettbewerbsdrucks begonnen, die Produktionsprozesse und -kosten ihrer Kopierer mit denen anderer Hersteller zu vergleichen und zu analysieren.297 Dieser Prozess war jedoch mehr als eine gewöhnliche Wettbewerbsbeobachtung. Er beinhaltete ein detailliertes Reverse Engineering nicht nur bzgl. Leistungsumfang und Funktionen der Produkte, sondern auch der Prozesse der Wettbewerber. Vor allem letzteres diente dazu, genaue Informationen zu allen Wertschöpfungsstufen zu erhalten, die der Findung der Ursachen für die festgestellten eigenen Schwächen dienten.298 Ziel dieser Art des Benchmarking ist der Vergleich der eigenen Leistung und Prozesse mit denen der wettbewerblichen Spitzenleistungen mit dem Ziel, diese Best Practice gemäß den Gegebenheiten im eigenen Unternehmen zu implementieren. Durch gezieltes Hinterfragen, was andere Unternehmen wie besser machen, sollen Leistungslücken relativ zum Wettbewerb aufgedeckt und geschlossen werden.299 Die Gleichsetzung eines Benchmarking mit Wettbewerbsorientierung soll verhindern, Verbesserungen nur an internen Maßstäben auszurichten und Anforderungen des Marktes zu vernachlässigen. Die Anreicherung der unternehmerischen Leistungsbewertung um den Aspekt der Wettbewerbsorientierung, die im Marketing bereits 1960 von Levitt gefordert wurde, ist ein geeignetes Mittel, um eine „marketing myopia“ auch im Bereich des Marketing Performance Measurement zu verhindern.300 Das zunehmende Bestreben vieler Manager, erfolgreiche Lösungen anderer Unternehmen zu imitieren, wird durch die steigende Umweltdynamik und Marktkomplexität getrieben, die - gepaart mit begrenzter Rationalität und Ressourcenknappheit – in einer Erhöhung von Unsicherheit und einer Minderung der Experimentierbereitschaft resultieren. Kurze Produktlebenszyklen lassen beispielsweise keinen Raum für zeitintensive Forschung. Unternehmen können sich kostspielige Fehlentwicklungen nicht mehr leisten, da dies vom Kapitalmarkt und von sonstigen Anspruchsgruppen mit weitreichenden Konsequenzen (Verschlechterung der Bonität, Einbruch von Aktienkursen, höhere Kapitalkosten etc.) abgestraft wird. Um bei verringertem Risiko die eigene Leistungsfähigkeit zu steigern, versuchen Unternehmen verstärkt von den Erfolgen und Misserfolgen anderer Organisationen zu lernen, um solche weitrei296 297 298 299 300
Vgl. Donthu/Hershberger/Osmonbekov (2005); Vorhies/Morgan (2005). Vgl. Camp (1989), S. 6 f. Vgl. Straub (1997), S. 45 f. Vgl. Camp (1989), S. 13; Kleemann (2004), S. 36 ff. Vgl. Levitt (1960).
91 chenden Konsequenzen auf ihrem Weg zur Bestlösung zu vermeiden.301 Im Zuge des nächsten Abschnitts soll die starke Wettbewerbsfokussierung des Benchmarking theoretisch begründet, gleichzeitig aber auch der Frage nachgegangen werden, ob die Betrachtung eines Benchmarking als Wettbewerbsvergleich zu kurz greift und welche weiteren Dimensionen eine Rolle spielen.
1.2.
Einordnung des Benchmarking – Theoretische Fundierung der relativen Effizienzanalyse
Im Folgenden soll die Notwendigkeit einer Benchmarkorientierung im Rahmen der Effizienzanalyse theoretisch herausgearbeitet werden, um so das Konzept der relativen Marketingeffizienz zu begründen.
1.2.1.
Wettbewerbsvorteils-Theorien
Zur Erklärung von Wettbewerbsvorteilen innerhalb der Wertschöpfungsprozesse können grundsätzlich marktorientierte (Market Based View) und ressourcenorientierte (Resource Based View) Ansätze unterschieden werden.302 Aus Sicht beider Ansätze lässt sich die Entstehung des Benchmarkingkonzeptes erklären. Vom Grundsatz her entspricht es der Forderung einer konsequenten Wettbewerbsorientierung. Durch Ausrichtung von Leistungsparametern an Wettbewerbern sollen Leistungsverbesserungspotenziale erkannt werden. Damit ist Benchmarking eine konsequente Umsetzung des Market Based View des strategischen Management, der zum Ziel hat, die Entstehung von Wettbewerbsvorteilen auf Basis externer Vorteilsquellen zu erklären. Demnach sind Wettbewerbsvorteile wesentlich von der Branchenstruktur abhängig, da diese die Stärke der fünf Wettbewerbskräfte,303 die Verteilung der Wertschöpfung auf die Marktteilnehmer sowie die Angebots- und Nachfragebedingungen durch Markteintrittsbarrieren beeinflusst.304 Die Branchenstruktur bestimmt somit die Rivalität und damit auch das Ertragspotenzial innerhalb einer Branche. Ein nachhaltiger Wettbewerbsvorteil resultiert aus einer strategisch vorteilhaften Positionierung innerhalb attraktiver Branchen. Als externe Vorteilsquellen sind somit nach dem klassischen Porter’schen Ansatz, der als Hauptvertreter des Market Based View gilt, etwa das Bearbeiten attraktiver Märkte oder Branchen, die Verhinderung von Markteinritten, der frühere Eintritt in einen Markt, die Erzielung höherer Marktanteile,
301 302 303
304
Vgl. Bauer (2002), S. 5. Vgl. Rühli (1995), S. 91-94; Schmidt (2000), S. 81. Vgl. Porter (2000), S. 32. Dies sind die Bedrohung durch neue Anbieter, die Verhandlungsmacht der Abnehmer, die Bedrohung durch Ersatzprodukte oder -dienste, die Verhandlungsstärke der Lieferanten und der Wettbewerb innerhalb der Branche. Vgl. Porter (2000), S. 32.
92 das Anbieten höherer Qualität etc. anzusehen.305 Durch Benchmarking soll erreicht werden, die Bestandteile der Wertkette unter Beachtung der strategischen Erfolgsfaktoren Qualität, Kosten und Zeit auf attraktive Branchen auszurichten. Damit verbunden ist eine höhere Reaktions- und Anpassungsgeschwindigkeit bzgl. veränderter Markt- und Technologiebedingungen.306 Diese Grundüberlegungen finden sich typischerweise in Positionierungsmodellen wie Marktraummodellen, in denen der Erfolg dadurch ausgedrückt wird, inwieweit es gelingt, sich möglichst gut (evtl. besser als Konkurrenten) an einen Idealpunkt oder Idealvektor anzunähern. Ressourcenorientierte Ansätze unterscheiden sich von den marktorientierten Ansätzen dadurch, dass Wettbewerbsvorteile nicht aus dem Aufspüren gewinnträchtiger Marktsegmente, sondern aus dem Aufbau von Kernkompetenzen durch die interne Kombination materieller und immaterieller Ressourcen erklärt werden.307 Aus ressourcenorientierter Sicht erhält ein Benchmarking eine Legitimation, da es im Ergebnis letztlich zum Aufbau neuer Wissensbestände und Fähigkeiten durch intra- bzw. interorganisationale Lernprozesse führt.308 Hierdurch wird der Aspekt betont, dass Benchmarking v.a. versuchen muss, externes Wissen in das Unternehmen zu transferieren und dort nutzbar zu machen. Der Transfer organisationaler Wissensbestände durch Benchmarking ist aber mit einigen Problemen verbunden. Nur ein Teil des Wissens ist als explizites Know-how übertragbar. Das für einen Wettbewerbsvorteil wesentlich bedeutendere tazite Wissen einer Organisation ist aufgrund seines kollektiven, instinktiven und erfahrungsgestützten Charakters nur schwer identifizierbar und schwer durch Märkte übertragbar.309 Es zeigte sich aber, dass durch Kooperationen etwa in Benchmarking-Netzwerken ein Transfer von Kernfähigkeiten durchaus möglich ist, wodurch die Bedeutung kooperativen Verhaltens verdeutlicht wird.310 Dieses ist notwendig, um potenzielle Missverständnisse und Interpretationsprobleme durch Verwendung identischer Techniken der interorganisationalen Externalisierung von implizitem Kontextwissen zu vermeiden.311
305 306 307 308 309 310
311
Vgl. Porter (2004), S. 4-10. Vgl. Bauer (2002), S. 12 f.; Porter (2004), S. 53 f. Vgl. Prahalad/Hamel (1990), S. 80 ff.; Rühli (1995), S. 94. Vgl. Grether (2003), S. 90 ff.; Raub/Büchel (1996), S. 30. Vgl. Bauer (2002), S. 14; Müller-Stewens/Osterloh (1996), S. 19. Beispiel für ein Benchmarking-Netzwerk ist der Zusammenschluss von Boeing, Digital Equipment Corporation, Motorola Inc. und der Xerox Corporation zur Education & Training Applications Group, welche Benchmarking-Standards festlegt und vergleichende Analysen zwischen den Mitgliedern initiiert. Vgl. Grether (2003), S. 111 ff.; Ulrich (1998), S. 56. Ein Beispiel für solche Techniken ist die Visualisierung von Geschäftsprozessen in Ablaufdiagrammen. Da explizites Wissen häufig nicht ohne das dahinter liegende implizite Wissen umgesetzt werden kann, kommt der interorganisationalen Sozialisation ebenfalls eine weit reichende Bedeutung beim Benchmarking zu. Benchmarkingprojekte werden nur gelingen, wenn der Wissenstransfer, der in Form von Beobachtung, Nachahmung oder Übung erfolgen kann, vor dem Hintergrund gemeinsam geteilter Erfahrungen geschieht. Vgl. Osterloh/Frost (1998), S. 199; Schmidt (2000), S. 215.
93 Beide Theorierichtungen versuchen, die Entstehung von Wettbewerbsvorteilen zu erklären, von denen die langfristige Erfolgssicherung und Überlebensfähigkeit eines Unternehmens abhängen. Beide liefern Begründungen für die Notwendigkeit eines Benchmarking. Das Benchmarkingkonzept stellt dabei in geradezu dialektischer Weise eine Synthese aus der These „Marktorientierung“ (Suche nach Opportunitäten) und der Antithese „Ressourcenorientierung“ (Aufbau von Fähigkeiten) dar. Benchmarking unterstützt Unternehmen, einen Fit zwischen den durch die Umwelt geschaffenen Chancen und Risken und den internen Ressourcen und Fähigkeiten (die zusammenfassend als Kompetenzen bezeichnet werden) herzustellen. Die Nutzung von Benchmarks ermöglicht es, Performancesteigerungen zu generieren, indem organisatorische Kompetenzen zunächst an den externen Bedingungen ausgerichtet werden, um diese dann entsprechend der beobachteten Benchmarkprozesse intern zu verbessern (d.h. bestehende Schwächen zu eliminieren) bzw. neue Ressourcen durch ein Lernen vom Benchmark aufzubauen.312
1.2.2.
Prospect Theory und Strategic Reference Point Theory
Die Kernaussage der Prospect Theory lautet, dass Individuen und Organisationen Entscheidungssituationen vereinfachen und auf Basis von Referenzpunkten bewerten, so dass eine Entscheidung von der wahrgenommenen Position bezüglich des Referenzpunktes abhängt.313 Diese Theorie geht der Frage nach, warum das Ergebnis ökonomisch identischer Entscheidungssituationen vor dem Hintergrund unterschiedlicher Positionen zu einem Referenzpunkt differieren kann.314 Im Mittelpunkt der Prospekttheorie steht eine Wertfunktion, wobei der Wert einer ökonomischen Alternative als davon abhängig betrachtet wird, ob deren Ergebnis eine Verlust- oder Gewinnsituation darstellt.315 Laut Prospekttheorie wird ein Verlust wahrgenommen, wenn das Ergebnis unterhalb des subjektiven Referenzpunktes liegt, von diesem also negativ abweicht. Liegt das Ergebnis oberhalb des Referenzpunktes (positive Abweichung), befindet es sich im Gewinnbereich. Die Wertfunktion nimmt im Gewinnbereich bei konkavem Verlauf positive Werte, im Verlustbereich bei konvexem Verlauf negative Werte an.316 Dieser Verlauf der Nutzenfunktion bedeutet, dass Zugewinne gleicher absoluter Höhe mit steigendem Abstand vom Referenzpunkt geringer und gleich hohe absolute Verluste mit steigendem Abstand immer weniger negativ bewertet werden. Somit wird für die subjektive Nutzenfunktion im Verlustbereich
312 313 314 315 316
Vgl. Fiegenbaum/Hart/Schendel (1996), S. 219 f. Vgl. Kahneman/Tversky (1979), S. 277 ff. Vgl. Herrmann/Bauer (1996), S. 679. Vgl. Kahneman/Tversky (1979), S. 263 ff. Vgl. Kahneman/Tversky (1979), S. 278.
94 ein steilerer Verlauf als im Gewinnbereich postuliert.317 Daraus resultiert eine Verlustaversion, die über sog. Besitzstandseffekte erklärt wird, wonach Menschen stärker dazu neigen, ein einmal erreichtes Niveau zu verteidigen, statt um weitere Zugewinne zu kämpfen. Die zentrale Aussage der Prospect Theory lautet nun, dass die Art, das Ausmaß und das Risiko gewählter Handlungen davon abhängen, ob Entscheidungsträger ihre eigene Position oberhalb oder unterhalb des Referenzpunktes wahrnehmen.318 Die Wertfunktion der Prospect Theory wird in Abbildung 5 dargestellt. Wert
V (y) V (x)
-x
-y
Verlust
Gewinn x
y
V (-y) V (-x)
Abbildung 5: Wertfunktion der Prospect Theory Quelle: In Anlehnung an Herrmann/Bauer (1996), S. 680
Fiegenbaum/Hart/Schendel entwickeln aus den Kernideen der Prospect Theory ihre Strategic Reference Point Theory (SRPT). Danach lassen sich andere Unternehmen bzw. andere Abteilungen, Filialen oder Teams des eigenen Unternehmens, mit denen im Rahmen eines Benchmarkingprojekts die eigene Leistung verglichen wird, als strategische Referenzpunkte interpretieren. Die wahrgenommene Differenz des eigenen Unternehmens zum Referenzpunkt wird herangezogen, um das Verhalten von Managern zu erklären. Die Autoren postulieren, dass Manager auf Basis von Referenzpunkten, welche als Zielpositionen herangezogen werden, Wahlentscheidungen treffen und Risiken bewerten.319 Insbesondere wird vermutet, dass Manager und folglich Organisationen nicht grundsätzlich risikoavers handeln, wie dies in vielen 317
318 319
Vgl. Kahneman/Tversky (1979), S. 279. Eine 5%-ige Rentabilitätssteigerung wird ausgehend von einer 80%-igen Rentabilität weniger wertvoll sein als von einer Rentabilität in Höhe von 10%. Dagegen wird der zusätzliche Verlust von 10 Euro, ausgehend von einem Verlust von 1.000 Euro, weniger negativ bewertet als von 100 Euro. Vgl. Fiegenbaum/Thomas (1988), S. 88 ff. Vgl. Bamberger/Fiegenbaum (1996), S. 927.
95 Modellen des Strategiewahlverhaltens implizit unterstellt wird. Vielmehr hängt die Bereitschaft, bei der Wahl wettbewerbsstrategischer Optionen Risiken einzugehen (attitude toward risk taking), davon ab, ob sich Entscheidungsträger in einer Gewinnoder Verlustsituation sehen. Bei Unternehmen, die unterhalb des strategischen Referenzpunktes operieren, wird ein risikofreudiges Verhalten postuliert, während sich Unternehmen oberhalb des strategischen Referenzpunktes vermutlich risikoavers verhalten.320 In Abhängigkeit davon, ob eine negative Leistungslücke identifiziert und somit das Unternehmen bezüglich des Benchmarks als unterlegen wahrgenommen wird, oder eine Überlegenheit gegenüber dem Benchmark vorliegt, lassen sich also Prognosen über Handlungen von Managern aufstellen. Aus der Wertfunktion in Abbildung 5 wird deutlich, dass der Verringerung einer negativen Leistungslücke von − x auf den Wert − y ein größerer Wert beigemessen wird als der weiteren Steigerung einer positiven
Leistungslücke in gleicher absoluter Höhe, d.h. von x auf y . Bei negativer Leistungslücke wird ein Manager daher eher bereit sein, Entscheidungsprozesse zu dezentralisieren, völlig neuartige Wege zu gehen und bei seiner Strategiewahl ein höheres Risiko zu suchen. Identifiziert ein Manager eine überlegene Position, so stellen neue Lösungen eher eine Bedrohung des Erreichten dar. Das Unternehmen zentralisiert seine Entscheidungsprozesse und wählt defensive, konservative Strategien.321 Das zentrale Ziel besteht in dieser Situation in der Verteidigung der aktuellen Position. Der Wert einer Leistungssteigerung durch Benchmarking hängt demnach von der eigenen Position am Markt und vom Ausgangsniveau der Leistungssteigerung ab. Im Kern postuliert die SRPT somit, dass Lösungen zur Schließung einer negativen Leistungslücke stärker priorisiert werden als Lösungen zur weiteren Vergrößerung eines Leistungsvorsprungs.322 Die prospekttheoretischen Empfehlungen bzgl. des Risikoverhaltens konnten durch empirische Befunde gestützt werden. So konnte im Verlustbereich (d.h. bei im Branchenvergleich unterdurchschnittlich erfolgreichen Unternehmen) ein deutlich stärkerer positiver Risiko-Return-Zusammenhang beobachtet werden als im Gewinnbereich.323 Für Unternehmen, die schlechter abschneiden als der Branchenbenchmark, lohnen sich mithin risikobehaftete Strategien mehr. Sowohl Untersuchungen auf privater als auch organisationaler Ebene belegen weiterhin, dass Benchmarks von Individuen genutzt werden, um ökonomische Situationen zu beschreiben. Dabei ändern sich Wahlentscheidungen in Abhängigkeit vom Framing einer Entscheidungssituati-
320 321 322 323
Vgl. Fiegenbaum/Thomas (1988), S. 198 ff. Vgl. Fiegenbaum/Hart/Schendel (1996), S. 228. Vgl. Bauer (2002), S. 21 ff.; Shoham/Fiegenbaum (1999), S. 449. Vgl. Chang/Thomas (1989); Fiegenbaum (1990); Jegers (1991).
96 on, d.h. abhängig davon, ob das Ergebnis der Handlung im Verlustbereich unterhalb des Benchmarks liegt oder mit Gewinnen assoziiert wird.324 Fiegenbaum/Hart/Schendel weisen darauf hin, dass die Ergebnisse eines Referenzpunktvergleichs entscheidend davon abhängen, wie der strategische Referenzpunkt definiert wird. Das Leistungsniveau des identifizierten Benchmarks wird durch eine Vielzahl von Benchmarkmerkmalen bestimmt. So könnten zwei völlig identische Unternehmen ihre Performance bezüglich eines Benchmarks unterschiedlich einschätzen, wenn sie diesen ganz unterschiedlich definiert haben.325 Für die Erfassung und Operationalisierung strategischer Referenzpunkte schlagen Fiegenbaum/Hart/ Schendel eine dreidimensionale Matrix vor.326 Die interne Dimension wird in die beiden Ausprägungen „strategische Inputs“ und „strategische Outputs“ aufgeteilt und beschreibt die Kennzahlen, anhand derer die Leistungsfähigkeit des Benchmarks ausgedrückt werden soll (Leistungsmaßstab). Strategische Inputs sind Kennzahlen, die an die strategischen Erfolgsfaktoren Qualität, Kosten, Zeit und Innovativität für einzelne Funktionsbereiche oder funktionsübergreifende Wertschöpfungsaktivitäten anknüpfen. Strategische Outputs stellen das Ergebnis der unternehmerischen Tätigkeit des Vergleichspartners in Form klassischer Performancekennzahlen wie Umsatzwachstum, Profitabilität oder Wertsteigerung dar.327 Die zweite, externe Referenzdimension berücksichtigt den Umstand, dass der herangezogene Vergleichspartner verschiedenen externen Anspruchsgruppen zugehören kann. Die Dimension spiegelt im Wesentlichen die oben dargestellte marktorientierte Perspektive wider. Die externe Dimension wird in die Ausprägungen „Wettbewerber“, „Kunden“ und „(andere) Stakeholder“ unterteilt.328 Je nach herangezogener Anspruchsgruppe ergeben sich völlig andere Bewertungsstandards. Beispielsweise kann der Erfolg eines Unternehmens in Form des Positionierungserfolgs gegenüber dem Wettbewerb (in Form der eigenen strategischen Gruppe, des Branchendurchschnitts bzw. –führers oder anderer Industrien), aber auch in Bezug auf die erreichten Wirkungen bei den Kunden (Loyalität etc.) oder nicht marktlichen, sozialen Stakeholdern (Öffentlichkeit, Politik etc.) untersucht werden.
324 325
326 327 328
Vgl. Fiegenbaum/Thomas (1988). Beispielsweise können zwei identische Unternehmen das gleiche Ziel - eine Senkung ihrer Produktionskosten – durch Betrachtung unterschiedlicher Benchmarks anstreben: Das eine Unternehmen analysiert ausschließlich das Beschaffungsmanagement eines inländischen Wettbewerbers, das andere Unternehmen betrachtet hingegen die gesamten Wertschöpfungsprozesse mehrerer brancheninterner und -externer Unternehmen. Diese beiden Konstellationen strategischer Referenzpunkte dürften jeweils ganz andere Ergebnisse erbringen und andere Strategien auslösen. Vgl. Bauer (2002), S. 23. Vgl. Fiegenbaum/Hart/Schendel (1996), S. 222 ff. Vgl. Bauer (2002), S. 23 f.; Fiegenbaum/Hart/Schendel (1996), S. 225. Vgl. Fiegenbaum/Hart/Schendel (1996), S. 224.
97 Drittens ist festzulegen, welche zeitliche Dimension eine Leistungsbewertung aufweisen soll (vergangene, gegenwärtige oder zukünftige Leistung).329 Sollen zukünftige Produktivitätspotenziale des Vergleichspartners als Maßstab herangezogen werden, sind jene Prozesse zu untersuchen, die für die langfristige Performance relevant sind: Hierzu gehört etwa die Umstellung auf moderne Produktionsformen (etwa auf autonome Fertigungsteams, Qualitätszirkel) oder die Implementierung eines Datenbanksystems zur Kundenwertbestimmung, welches die Priorisierung profitabler Kundensegmente ermöglicht. Bei reiner Fokussierung auf vergangenheitsbezogene Faktoren muss beachtet werden, dass sich die operativen und strategischen Rahmenbedingungen des Erfolges evtl. geändert haben oder in Zukunft ändern könnten, so dass vergangene Lösungen in der aktuellen Situation nicht mehr relevant sind. Folglich wird sich die Leistungsfähigkeit der Vergleichspartner regelmäßig im Zeitverlauf verändern.330 Die theoretischen Überlegungen haben viele Aspekte und Facetten offen gelegt, anhand derer ein Benchmarkingprojekt beschrieben und konkretisiert werden muss. Diese Erkenntnisse sollen nun zu einer umfassenden Definition des Benchmarking verdichtet werden, welche in die Entwicklung eines Klassifizierungsmodells mündet.
1.3.
Dimensionen eines Benchmarks und Klassifizierung von Benchmarkingarten
Die Position eines strategischen Referenzpunktes und das daraus resultierende Risiko- und Entscheidungsverhalten hängen stets davon ab, wie die Entscheidungsträger den strategischen Referenzpunkt definieren. Dabei zeigen die Erkenntnisse der SRPT, dass ein Benchmark kein eindimensionales Konstrukt ist, sondern durch eine Vielzahl verschiedener Dimensionen beschrieben werden muss. Eine Synopse zahlreicher Benchmarkingdefinitionen in der Literatur zeigt, dass diese eine relativ große Schnittmenge bzgl. der postulierten konstituierenden Dimensionen aufweisen.331 Es wird deutlich, dass sich fünf übergeordnete Merkmale extrahieren lassen, die das Benchmarking charakterisieren. So ist Benchmarking ein kontinuierlicher, systematischer Prozess, der spezifische Untersuchungsobjekte unter Heranziehung von bestimmten Maßstäben mit einem Vergleichspartner in einem bestimmten Zeithorizont mit unterschiedlich ambitionierten Zielen, d.h. bestimmter Intensität vergleicht.332 In Abbildung 6 sind die aus dem synoptischen Vergleich von Definitionsversuchen er329 330 331
332
Vgl. Bamberger/Fiegenbaum (1996), S. 937. Vgl. Bauer (2002), S. 25. Hierzu hat der Autor die Definitionen von über 40 einschlägigen Publikationen zum Benchmarking verglichen und systematisiert. Es wird darauf verzichtet, diese hier alle auszubreiten. Eine generische Definition, die ähnliche Bestandteile eines Benchmarkingprozesses identifiziert, schlägt Spendolini (1994), S. 10 mit seinem Benchmarking-Definitionsmenü vor.
98 mittelten fünf Dimensionen zusammengefasst. Wie erkennbar ist, stellt diese Konzeptualisierung eine Erweiterung der dreidimensionalen Referenzpunktmatrix von Fiegenbaum/Hart/Schendel dar. Dimensionen des Benchmarking
Vergleichsobjekt
Vergleichspartner
Vergleichsmaßstab
Produkte, Dienstleistungen
Interne Partner („Company BM“)
Organisationseinheiten
Einfache monetäre Kennzahlen (Marktanteil, Umsatz, Gewinn, Kosten)
Externe Partner
Einfache nicht-monetäre Kennzahlen (Absatz, Qualität, Zufriedenheit, Bindung, Innovationsgeschwindigkeit)
Strategien/ Maßnahmen
Direkte Konkurrenz („Market BM“)
Prozesse/ Funktionen
Gleiche Branche („Industry BM“)
Verfahren/ Methoden
Fremde Branchen (global) („Generisches BM“ )
Vergleichshorizont Vergangenheit Gegenwart (einmalig, kontinuierlich) Zukunft
Vergleichsziel Best Theory (Ideal) Best Practice Average Practice
Verknüpfte Kennzahlen (Scores, Indizes) Verhältnis-Kennzahlen (Output-Input-Relationen, ROI)
Abbildung 6: Dimensionen des Benchmarking
Im Gegensatz zum engen Verständnis des traditionellen Benchmarking (Xerox), welches sich ausschließlich auf ein Reverse Engineering von Produkten bzw. Technologien beschränkte, sind Vergleichsobjekte aller Art denkbar. Neben Produkten/Dienstleistungen333 oder Produktionstechnologien können auch (Marketing)Instrumente und -strategien, aber auch Prozesse und Funktionen bzw. Organisationseinheiten334 verglichen werden. So werden in den späteren empirischen Untersuchungen dieser Arbeit Marketingobjekte (Produkte, vgl. Kapitel E-1), Prozesse innerhalb eines marketingpolitischen Instrumentalbereichs (Markenführung, vgl. Kapitel E-2) sowie Organisationseinheiten (Vertriebsteams, vgl. Kapitel E-3) als Vergleichseinheiten im Rahmen eines Effizienzvergleichs dienen. Im Rahmen eines generischen Benchmarking wird sogar gefordert, ganz abstrakte und allgemeingültige betriebliche Funktionen branchenübergreifend zu vergleichen. Ziel ist es hier, eine 333
334
Produkte und Dienstleistungen bzw. deren kundenrelevante Merkmale stellen eine bedeutende Objektgruppe des Benchmarking dar, da Informationen über die zu Grunde liegenden Leistungserstellungsprozesse und Produktionstechnologien für Konkurrenzunternehmen meist nicht verfügbar sind. Häufig stellt daher ein von Prozessen, Funktionen oder Verfahren losgelöster Vergleich von Produkten und Dienstleistungen die einzige Möglichkeit dar. Vgl. Böhnert (1998), S. 77. Hier ist zu beachten, dass Prozesse, Funktionen und Organisationseinheiten oft nicht isoliert voneinander betrachtet werden können. Funktionen sind Bestandteil einer Organisation(seinheit), Prozesse sind wiederum integraler Bestandteil von Funktionsbereichen. Eine Effizienzsteigerung von Funktionen kann häufig nur über eine Analyse der dort ablaufenden Prozesse erreicht werden. Neben Teilprozessen, die innerhalb einer Funktion stattfinden, lassen sich auch Basisprozesse finden, deren Reichweite mehrere Funktionen umfasst oder die sogar auf die gesamte Organisation wirken. Vgl. Böhnert (1998), S. 75.
99 enge, nur auf die relevanten Konkurrenten ausgerichtete Perspektive zu überwinden und globale Bestlösungen zu finden. Zum Beispiel gelten der Gästeservice des RitzCarlton und das Beziehungsmarketing von American Express als weltweit führend und werden nicht nur in der Hotellerie- bzw. Finanzdienstleistungsbranche imitiert, sondern ebenso in ganz anderen Branchen.335 So existieren sogar Anwendungen für Krankenhäuser, die als Vergleichsmaßstab für die Patientenaufnahme den Empfang eines Hotels heranziehen, um Einsichten für völlig neuartige, kreative Lösungsansätze zu gewinnen.336 Die Aufspaltung in verschiedene Benchmarkingobjekte soll der Tatsache Rechnung tragen, dass bei Betrachtung großer, divisionalisierter Unternehmen ein Benchmarking der gesamten Organisation naturgemäß zu komplex und aufwändig ist. Die Dimension Vergleichspartner verdeutlicht, dass die klassische, rein wettbewerbliche Sichtweise zu kurz greift. Best Practices lassen sich auch innerhalb der eigenen Organisation finden.337 So kann etwa eine Orientierung an den besten Sparten, Filialen, Vertriebsteams oder Verkaufsbüros bereits erhebliche Verbesserungspotenziale aufdecken. Große Bedeutung erhält das unternehmensinterne Benchmarking daher in divisionalisierten multinationalen Konzernen bzw. filialisierten Unternehmen.338 Auch beim internen Benchmarking wird dabei der Forderung nach einer Relativierung der Leistung an „externen“ Referenzmaßstäben Rechnung getragen. Extern bedeutet dabei immer, Bewertungsmaßstäbe außerhalb des Einfluss- und Verfügungsbereichs der betrachteten Entscheidungseinheit heranzuziehen, d.h. keine Planzahlen oder Trendfortschreibungen eigener Leistungskennzahlen zu verwenden. Dem Konzept des „internen Wettbewerbs“ folgend kann auch ein internes Benchmarking letztlich dem Grundprinzip der Wettbewerbsorientierung entsprechen. Die Relevanz eines internen Benchmarking ergibt sch insbesondere für erfolgskritische Prozesse oder Funktionen, zu denen kaum oder nur schwer (und wenn dann unvollständige) Daten von direkten Wettbewerbern verfügbar sein werden. Da es zwischen den Benchmarkingpartnern keine bindenden Verträge gibt, wäre die Übermittlung der richtigen Informationen kein rationales Verhalten, da sich derjenige, der dem anderen unwahre Informationen mitteilt, immer besser stellen und einen kurzfristigen Wettbewerbsvorteil erzielen könnte (Gefangenendilemma). Aufgrund der Nicht-Kontrahierbarkeit von Informationsleistungen von Benchmarkingpartnern wäre bei hoher Spezifität und Differenziertheit von Benchmarkobjekten ein externes 335 336 337 338
Vgl. Hiebeler/Kelly/Ketteman (1998). Vgl. Norman/Stoker (1991). Vgl. Karlöf/Östblom (1994), S. 62; Ulrich (1998), S. 19. Vgl. Rau (1996), S. 42. Als Sonderform des internen Benchmarking ist auch ein Zeitvergleich anzusehen, bei dem Daten derselben Organisationseinheiten zu unterschiedlichen Zeitpunkten erhoben und verglichen werden (Window-Analysen). Vgl. Backhaus/Streffer/Wilken (2005); Homburg (2000), S. 583.
100 Benchmarking (d.h. ein Informationsaustausch über Unternehmensschnittstellen hinweg) mit prohibitiv hohen Transaktionskosten verbunden. Hier ist daher eine Internalisierung von Leistungsvergleichen in die Hierarchie das effiziente institutionelle Arrangement.339 So ist bei vielen Unternehmen ein Engagement in wettbewerblichen Benchmarkingnetzwerken und Erfahrungsaustauschgruppen nur in Bezug auf periphere, relativ standardisierte Prozesse mit geringem Differenzierungspotenzial zu beobachten. Bzgl. strategisch bedeutsamer Prozesse werden maximal hoch aggregierte Daten etwa über Kosten für bestimmte Wertschöpfungsprozesse offen gelegt, die wenig darüber aussagen, wie diese Kostenposition erreicht wurde (weniger Mitarbeiter, günstigere Lieferanten, bessere Produktionstechnologien etc.). Damit dürfte die Kooperationsbereitschaft von Unternehmen für ein externes Benchmarking umso geringer sein, je intensiver die bestehenden Wettbewerbsbeziehungen sind. Spieltheoretische Überlegungen legen jedoch nahe, dass die Anreizprobleme eines Benchmarking zwischen direkten Wettbewerbern gemildert werden können, wenn die Teilnahme an einem Benchmarkingprojekt langfristiger Natur ist. Es kommt dann zu einem wiederholten Austausch strategisch relevanter Information (wiederholte Spiele) mit der Möglichkeit von Vergeltungsstrategien, z.B. in Form von Reputationsverlust bei opportunistischer Informationsnutzung.340 Die letzte Dimension in Abbildung 6 zeigt, dass ein Benchmarking nicht zwingend nur mit dem Vergleichsziel erfolgen muss, die Best Practice in Form bereits realisierter Spitzenleistungen zu erreichen. Vielmehr können auch strengere Ziele in Form theoretisch denkbarer Positionen herangezogen werden („Best Theory“), wie sie etwa in Idealpunkt- und Idealvektormodellen vorgegeben werden. Dies repräsentiert die Idee, über inkrementale Verbesserungen hinaus ambitionierte Ziele zu verfolgen und so progressive Veränderungen (Quantensprünge) zu erreichen. Weiterhin zeigt sich, dass auch jene Vergleiche zum Benchmarking gezählt werden können, die sich nicht an besten, sondern durchschnittlichen Leistungsbeurteilungen orientieren, die weniger strenge Maßstäbe darstellen und z.B. bei der Regressionsanalyse herangezogen werden. Für die vollständige Beschreibung eines Benchmarks müssen stets die in Abbildung 6 genannten fünf unabhängigen Dimensionen herangezogen werden. Ein Benchmark ist damit durch eine bestimmte Ausprägung bei jeder Dimension hinreichend gekennzeichnet. Letztlich hängt der Erfolg eines Benchmarkingprojektes davon ab, inwieweit es gelingt, den mehrdimensionalen Charakter eines strategischen Referenzpunktes adäquat zu erfassen.
339 340
Vgl. Bayón (1997), S. 148 f. Vgl. Schmitz (1987), S. 78-81.
101 Wie die zahlreichen Ausprägungen der fünf Dimensionen erkennen lassen, sind die in der Praxis verwendbaren Benchmarks sehr vielfältig. Dies hat dazu geführt, dass v.a. in der Praxisliteratur eine Vielzahl vermeintlich unterschiedlicher Benchmarkingarten vorgeschlagen werden, die meistens nach dem Aspekt benannt sind, dem die meiste Bedeutung beigemessen wird.341 Beispielsweise bedeutet die Bezeichnung „wettbewerbsbezogenes Benchmarking“, dass ein Benchmarking gegenüber direkten Konkurrenten durchgeführt wird. Dass auch hier genauso die zu vergleichenden Objekte, der Zeithorizont etc. bestimmt werden müssen, wird in dieser Bezeichnung nicht vermittelt. Insofern gibt es - streng genommen - kein Wettbewerbsbenchmarking, sondern nur z.B. „ein über die Zeit verlaufendes, wettbewerbsorientiertes Benchmarking des Customer Value von Produkten anhand von Best-PracticeBeobachtungen.“ Des Weiteren werden in der Literatur Benchmarkingarten meist nur enumerativ dargestellt. In der Folge ergeben sich exemplarische, mehr oder weniger beliebige Aufzählungen von Benchmarkingarten, mit Haupt- und Unterarten, die meist nicht überschneidungsfrei und häufig auch inhaltlich identisch sind.342 Die dadurch entstehenden Unschärfe und Komplexität erschweren es, eine Ordnungssystematik zu entwickeln. Im Gegensatz dazu ermöglicht eine Verwendung konstituierender Dimensionen, die simultan betrachtet werden, die präzise Definition eines Benchmarks und folglich eine mengenlogisch saubere und trennscharfe Klassifizierung von Benchmarkingarten. Jede Dimension bildet eine Achse eines Koordinatensystems, auf der bestimmte Ausprägungen abgetragen sind. Jede Kombination von Ausprägungen der fünf unabhängigen Dimensionen ist prinzipiell möglich und ergibt eine eigenständige Benchmarkingart. Eine solche simultan-mehrdimensionale Definition erlaubt im Gegensatz zur enumerativen Vorgehensweise eine abschließende Typologisierung von Benchmarkingarten.
1.4.
Aufgaben und Funktionen der relativen Effizienzanalyse im Marketing
Um nicht bei einer Dokumentation des Status Quo der Leistungsfähigkeit des Marketing stehen zu bleiben, sondern auch kontinuierliche Leistungsverbesserungen zu erreichen, ist Benchmarking über eine reine Wettbewerbsbeobachtung hinaus als umfassendes Management- bzw. Controllingkonzept zu verstehen. Damit wird deutlich, dass die Aufgaben einer benchmarkorientierten Performanceanalyse den Aufgaben eines ganzheitlichen Controlling entsprechen müssen. Als klassische Controllingaufgaben ist neben der Planung von Soll-Größen und der Ermittlung von IstGrößen die Soll-Ist-Abweichungskontrolle zu nennen. Die entscheidende Aufgabe 341 342
Vgl. Böhnert (1998), S. 14. Vgl. Böhnert (1998), S. 14.
102 besteht in der Analyse der Ursachen der festgestellten Soll-Ist-Abweichungen. Nur so können in der nächsten Stufe Zusammenhänge zwischen den betrachteten Größen hergestellt werden, die Wirkungswissen (etwa in Form von Reaktionsfunktionen, die Wenn-dann-Aussagen bzw. Mittel-Zweck-Aussagen ermöglichen) generieren. Dieses ist notwendig, um die relevanten Stellhebel für Verbesserungen zu identifizieren. Dieses Wissen ermöglicht in einer letzten Stufe die Ableitung von konkreten Handlungsempfehlungen (Strategien, Maßnahmen) zur Leistungsverbesserung. Ausgehend von Informationen zu offensichtlich erkennbaren Symptomen muss das Controlling versuchen, die dahinter liegenden Ursachen zu erkunden und in tiefere Wissensschichten (Ursachen-, Wirkungs- und Gestaltungswissen) bzgl. des Problembereichs vorzudringen. Entsprechend dieser Aufgabenschichten muss auch ein umfassendes Benchmarking und somit eine relative Effizienzanalyse fünf Kernaufgaben erfüllen. In Abschnitt D1.6 wird gezeigt, wie die im Rahmen dieser Arbeit favorisierte Methode der Effizienzmessung die Erfüllung aller fünf Aufgaben unterstützt.343 1) die Ermittlung der Ist-Performance, 2) die Ermittlung der Merkmalsausprägungen des Referenzpunktes (etwa der Best Practice), die als Ziel- und Vergleichswerte dienen, 3) die Feststellung der Leistungslücke als Abweichung zum Benchmark, d.h. die Positionierung der Vergleichseinheit relativ zum Benchmark, 4) die Analyse der Ursachen festgestellter Leistungslücken im Sinne einer StärkenSchwächen-Analyse (Vermehrung des Ursachenwissens). Diese informiert darüber, welche Leistungsparameter auf Individual-, Gruppen- und Gesamtorganisationsebene wie stark für die festgestellte Performancelücke verantwortlich sind. Sie ermöglicht die Identifikation von kritischen Erfolgsfaktoren als Voraussetzung zur Etablierung einer lernenden Organisation. 5) die Entwicklung von Verbesserungsstrategien zur Schließung der Leistungslücke durch Anpassung bestehender und Aufbau - Erlernen oder Akquirieren - neuer Kompetenzen und Fähigkeiten (Vermehrung des Handlungswissens). Der grundlegende Unterschied des Benchmarking zu klassischen Controllingkonzepten besteht in der Erfassung und Festlegung der „Soll-Seite“. So sind im Benchmarking die Soll-Größen keine internen Plan- oder Standardzahlen etwa aus dem Rechnungswesen, sondern die Parameterausprägungen externer Bezugsobjekte. Da in der Regel reale Benchmarks ausgewiesen werden, kann eine detaillierte Analyse
343
Vgl. Bauer/Hammerschmidt (2002), S. 3 f.
103 dieser Referenzeinheiten realisierbare Verbesserungspotenziale offenbaren, was die Akzeptanz und Erreichbarkeit der Leistungsvorgaben fördert.344 Diese Form der Bestimmung von Soll-Zuständen bzw. Ziel-Positionen zeichnet sich durch einige Vorteile aus. Die bei den Referenzeinheiten beobachteten Strategien und Maßnahmen liefern Hinweise auf Katalysatoren zur Erreichung der angestrebten Zielwerte für die Leistungsgrößen. Sie sind der eigentliche Output eines Benchmarkingprojektes, da sie den Schlüssel für praktisch auch umsetzbare Verbesserungen darstellen und zur Etablierung einer lernenden Organisation führen. Benchmarking fördert als ein nach außen gerichtetes Konzept die explizite Einbeziehung von Kunden- und Wettbewerbsanforderungen in unternehmerischen Entscheidungen. Benchmarking liefert somit Frühwarnindikatoren, anhand derer wichtige interne und externe Entwicklungen rechtzeitig erkannt werden. Ziel ist letztlich die Erhöhung der Innovationsbereitschaft, der Kunden- und Qualitätsorientierung sowie der Bereitschaft für Veränderungsprozesse. Im Gegensatz zu Zielvorgaben durch die Fortschreibung von Trends erhöht die Orientierung an der Marktrealität die Akzeptanz und Glaubwürdigkeit bei den verschiedenen Anspruchsgruppen.345 Benchmarking ist eine Methode, auch mit knappem Ressourceneinsatz relativ schnelle und messbare Steigerungen der Wettbewerbsfähigkeit zu erreichen. Primär strebt ein Benchmarking somit immer revolutionäre Verbesserungen durch Entdecken neuartiger bzw. andersartiger Problemlösung oder den Übergang zu neuen Lösungsprinzipien (z.B. Neuentwicklung von Produkten oder Verfahren) an. Daneben können aber auch evolutionäre, kontinuierliche Verbesserungen einzelner Parameter unter Beibehaltung des gleichen Grundprinzips (z.B. Weiterentwicklung von Produkten oder Verfahren) erreichbar sein.346 Im Rahmen eines Benchmarkingprojektes werden Abläufe im Unternehmen transparent, Schwachstellen aufgedeckt und Einflussfaktoren auf die Effektivität und die Effizienz der Prozesse ermittelt.347 Durch Benchmarking kann ferner ein Wandel der Unternehmenskultur in Richtung erhöhter Lernfähigkeit ausgelöst werden.348 Erhöhte Lernfähigkeit meint nicht nur das Kopieren anderer Lösungen, sondern beabsichtigt, kreative Lernprozesse auszulösen, indem Unternehmen mit anderen Lösungen und Kernfähigkeiten konfrontiert werden und diese weiterentwickeln, verändern oder mit eigenen Verhaltens- und Handlungsweisen zu neuartigen Lösungen verbinden.349 Organisationales Lernen durch Benchmarking bietet eine Möglichkeit, Kernfähigkeiten mit anderen Unternehmen bzw. anderen Organisationseinheiten des eigenen 344 345 346 347 348 349
Vgl. Parsons (1994), S. 186. Vgl. Camp (1989), S. 37 f. Vgl. Sabisch/Tintelnot (1997), S. 6. Vgl. Sabisch/Tintelnot (1997), S. 18. Vgl. Karlöf/Östblom (1994), S. 200. Vgl. Sabisch/Tintelnot (1997), S. 18.
104 Unternehmens zu vergleichen und neue Kernfähigkeiten durch Wissenstransfer zu akquirieren. Letztlich stellt Benchmarking auch eine Grundphilosophie dar, die Mitarbeiter anregen soll, das „Lernen zu lernen“, indem Lernprozesse wie Beobachtung, Nachahmung, Übung vermittelt werden, die „trial and error“-Prozesse fördern.350 Bei einer kritischen Betrachtung des Benchmarking wird erkennbar, dass dieses evtl. weniger durch das tatsächliche Streben nach Effizienz getrieben ist, sondern oft eine institutionalisierte Regel widerspiegelt, die durch die Marktumwelt verbindlich vorgegeben wird. Die Funktion des Benchmarking besteht dann darin, Legitimation und Unterstützung zu erhalten sowie Zugang zu Ressourcen zu sichern. Diese Vermutung wird v.a. durch die Neoinstitutionalisten gestützt, denen zufolge viele Projekte und Aktivitäten in Unternehmen durch das Bemühen ausgelöst werden, die Erwartungen und Anforderungen einflussreicher Anspruchsgruppen zu erfüllen. Die verbindlich vorgeschriebene, regelmäßige Durchführung von Leistungsvergleichen mit marktlichen Spitzenstandards kann in Normen oder gemeinsamen Vorstellungen darüber enthalten sein, wie gute Organisationen gestaltet sein und welche Verfahrensweisen zur Anwendung kommen sollten, ohne dass primär auf die dadurch erzielbaren Ergebnisse geachtet wird.351 Dabei werden möglicherweise nicht solche Organisationen als Vorbilder propagiert, die von ihrer Umwelt als effizient, sondern als legitimiert wahrgenommen werden. Eine Aktiengesellschaft, die stark in institutionalisierte Umwelten eingebunden ist (Bewertungsdruck durch Kapitalmärkte in Form regelmäßiger Ratings und Aktienanalysen) und sich nicht dieses institutionalisierten Instruments bedienen, könnten im Markt den Ruf erwerben, nicht innovativ und leistungsorientiert zu sein. Aus den genannten Gründen kann sich Benchmarking zu einem „Rationalitätsmythos“ entwickeln, durch den eine rationale Steuerung der unternehmerischen Aktivitäten signalisiert werden soll. Ein solch institutionalisiertes Benchmarking wird dann vielleicht nicht mehr hinterfragt und als „Ritual“ angesehen.352
2.
Verfahren der relativen Effizienzmessung: Ein Überblick
Wie im vorigen Kapitel deutlich geworden ist, können Aussagen über die tatsächliche Effizienz eines Unternehmens nur durch eine Relativierung der eigenen Leistung an einem situativen Bezugs- und Handlungsrahmen gewonnen werden. Die Effizienz einer Einheit muss stets in Beziehung zu einem definierten Problemkreis gesetzt und auf eine bestimmte Alternativenmenge bezogen werden.353 Ein solche Forderung 350 351 352 353
Vgl. Bauer (2002), S. 16; Grether (2003), S. 98; Osterloh/Frost (1998), S. 199 ff. Vgl. Meyer/Rowan (1977), S. 342 f. Vgl. DiMaggio/Powell (1983), S. 148 f.; Scott/Meyer (1991), S. 122 ff. Vgl. Dyckhoff/Ahn (2001), S. 114 ff.
104 Unternehmens zu vergleichen und neue Kernfähigkeiten durch Wissenstransfer zu akquirieren. Letztlich stellt Benchmarking auch eine Grundphilosophie dar, die Mitarbeiter anregen soll, das „Lernen zu lernen“, indem Lernprozesse wie Beobachtung, Nachahmung, Übung vermittelt werden, die „trial and error“-Prozesse fördern.350 Bei einer kritischen Betrachtung des Benchmarking wird erkennbar, dass dieses evtl. weniger durch das tatsächliche Streben nach Effizienz getrieben ist, sondern oft eine institutionalisierte Regel widerspiegelt, die durch die Marktumwelt verbindlich vorgegeben wird. Die Funktion des Benchmarking besteht dann darin, Legitimation und Unterstützung zu erhalten sowie Zugang zu Ressourcen zu sichern. Diese Vermutung wird v.a. durch die Neoinstitutionalisten gestützt, denen zufolge viele Projekte und Aktivitäten in Unternehmen durch das Bemühen ausgelöst werden, die Erwartungen und Anforderungen einflussreicher Anspruchsgruppen zu erfüllen. Die verbindlich vorgeschriebene, regelmäßige Durchführung von Leistungsvergleichen mit marktlichen Spitzenstandards kann in Normen oder gemeinsamen Vorstellungen darüber enthalten sein, wie gute Organisationen gestaltet sein und welche Verfahrensweisen zur Anwendung kommen sollten, ohne dass primär auf die dadurch erzielbaren Ergebnisse geachtet wird.351 Dabei werden möglicherweise nicht solche Organisationen als Vorbilder propagiert, die von ihrer Umwelt als effizient, sondern als legitimiert wahrgenommen werden. Eine Aktiengesellschaft, die stark in institutionalisierte Umwelten eingebunden ist (Bewertungsdruck durch Kapitalmärkte in Form regelmäßiger Ratings und Aktienanalysen) und sich nicht dieses institutionalisierten Instruments bedienen, könnten im Markt den Ruf erwerben, nicht innovativ und leistungsorientiert zu sein. Aus den genannten Gründen kann sich Benchmarking zu einem „Rationalitätsmythos“ entwickeln, durch den eine rationale Steuerung der unternehmerischen Aktivitäten signalisiert werden soll. Ein solch institutionalisiertes Benchmarking wird dann vielleicht nicht mehr hinterfragt und als „Ritual“ angesehen.352
2.
Verfahren der relativen Effizienzmessung: Ein Überblick
Wie im vorigen Kapitel deutlich geworden ist, können Aussagen über die tatsächliche Effizienz eines Unternehmens nur durch eine Relativierung der eigenen Leistung an einem situativen Bezugs- und Handlungsrahmen gewonnen werden. Die Effizienz einer Einheit muss stets in Beziehung zu einem definierten Problemkreis gesetzt und auf eine bestimmte Alternativenmenge bezogen werden.353 Ein solche Forderung 350 351 352 353
Vgl. Bauer (2002), S. 16; Grether (2003), S. 98; Osterloh/Frost (1998), S. 199 ff. Vgl. Meyer/Rowan (1977), S. 342 f. Vgl. DiMaggio/Powell (1983), S. 148 f.; Scott/Meyer (1991), S. 122 ff. Vgl. Dyckhoff/Ahn (2001), S. 114 ff.
105 resultiert aus der Erkenntnis, dass die absolute, technisch mögliche Effizienz zumeist unbekannt ist.354 Des Weiteren ermöglicht die Betrachtung der relativen Effizienz, den Grad der Effizienz zu bestimmen statt ein Objekt oder eine Aktivität wie in einer Schwarz-Weiß-Sichtweise entweder als dominant oder dominiert auszuweisen. Eine Differenzierung in mehr oder weniger effizient ist besonders vor dem Hintergrund wichtig, dass ein Performance Management oftmals auf graduelle Leistungsveränderungen abzielt.355 Verfahren der Effizienzmessung
Rein outputbezogene Kennzahlen Klasse I
Effizienzmessung anhand einfacher Kennzahlen
Effizienzmessung anhand von Produktionsfunktionen
(„Verfahren der 1. Generation“)
(„Verfahren der 2. Generation“)
Rein inputbezogene Kennzahlen
Einfache Output/InputVerhältniskennzahlen
Klasse II
Klasse III
Parametrische Verfahren (Regression, DFA, SFA) Klasse IV
Nicht parametrische Verfahren (DEA, FDH) Klasse V
Abbildung 7: Systematik von Verfahren der Effizienzmessung
Die Methoden zur Effizienzmessung, die sich in Vorgehen und Komplexität erheblich unterscheiden, lassen sich in fünf Klassen einteilen. Diese wiederum können auf einer übergeordneten Ebene entweder der Gruppe traditioneller, kennzahlenbasierter Verfahren oder der Gruppe moderner Verfahren auf Basis von Produktionsfunktionen angehören.356 Diese Systematisierung ist in Abbildung 7 dargestellt.
2.1.
Traditionelle Verfahren - Relative Effizienzmessung anhand von Kennzahlen
Zur ersten Gruppe, die als traditionelle Verfahren bzw. Verfahren der ersten Generation bezeichnet werden sollen, gehören alle, die auf Basis einzelner Kennzahlen einen einzigen punktuellen Benchmark in Form einer global besten Referenzeinheit zu ermitteln versuchen, anhand derer alle Analyseeinheiten verglichen werden. Dabei kann die Bewertung ausschließlich auf Outputkennzahlen (Klasse I), auf Inputkennzahlen (Klasse II) oder einzelnen Input-Output-Verhältniskennzahlen (Klasse III) beruhen. In den Verfahren der Klasse I werden die Outputkennzahlen Umsatz, Vorjah354 355 356
Vgl. Dyckhoff/Allen (1999), S. 415; Parsons (1994), S. 185. Vgl. Dyckhoff/Allen (1999), S. 419. Vgl. Bauer/Hammerschmidt/Garde (2004a), S. 11; Boles/Donthu/Lohtia (1995), S. 32 ff.
106 reserlöse, Anzahl an Bestellungen, verkaufte Stückzahl und Kundenzufriedenheit am häufigsten verwendet.357 Die rein inputorientierten Ansätze verwenden typischerweise Produktwissen, Anzahl durchgeführter Aktionen, Vertriebskosten, Personaleinsatz oder Anzahl der Verkaufsgespräche.358 Im Rahmen der Klasse III werden Verhältniszahlen wie Umsatz pro Mitarbeiter bzw. pro Anruf, Neukunden pro Aktion etc. betrachtet.359 Ziel all dieser Verfahren ist es, auf Basis der absoluten bzw. relativen Kennzahlen Rankings der interessierenden Objekte zu erhalten und Soll-Ist-Vergleiche anzustellen. Die Eignung für eine umfassende Performanceanalyse ist bei diesen Methoden nicht gegeben, da sie lediglich zu isolierten Rangfolgen der Objekte führen, die von der gerade betrachteten Kennzahl abhängig sind und somit kein konsistentes Gesamtranking der Objekte ermöglichen. Je nach herangezogener Kennzahl werden andere Objekte als Benchmarks, d.h. an der Spitze des Rankings stehend, identifiziert. Diese Verfahren erlauben somit lediglich partielle Analysen, die sich auf spezifische Leistungsfacetten beziehen. So stellt vielleicht eine Einheit bzgl. der Erzielung eines hohen Marktanteils die Best Practice dar, ist jedoch bei der Etablierung langfristiger Geschäftsbeziehungen mit zufriedenen Kunden nur wenig erfolgreich. Die Frage ist dann, welche Kennzahl herangezogen werden soll, um Managemententscheidungen bzgl. der Objekte, etwa Budget- oder Eliminationsentscheidungen, zu legitimieren.360 Da einzelne Rankings keine Feststellung der Gesamtperformance (overall performance) erlauben, kann auch keine Relation der einzelnen Variablen bzgl. ihrer Einflussstärke auf die Performance hergestellt werden, wodurch eine Ursachenanalyse erschwert wird. Bei den Verfahren der Klassen I und II werden zudem keine Relationen zwischen Kennzahlen der Output- und Inputseite hergestellt, so dass keine wirklichen Effizienzaussagen getroffen werden können, sondern immer nur eine Dimension der Effizienz betrachtet wird. So kann eine Analyseobjekte als überlegen in Bezug auf den erbrachten Output eingestuft werden, obwohl hierfür eine unverhältnismäßig höhere Inputmenge benötigt wird. Auch die Verfahren der Klasse III, die zwar simultan sowohl die Output- als auch Input-Seite einbeziehen und bereits echte Effizienzkennziffern generieren, ziehen nur einfache, partielle Output/Input-Verhältnisse (single factor productivity wie Mitarbeiterproduktivität, Kapitalproduktivität etc.) heran.361 Auch hier besteht das Problem inkonsistenter Teilrankings je nach betrachteter Produktivitätskennziffer. „Simple ratio analysis provides nearly endless possibilities for debate. Which provider represents
357 358 359 360 361
Vgl. Bagozzi (1978). Vgl. Weeks/Kahle (1990). Vgl. Adkins (1979); Lamont/Lundstrom (1977). Vgl. Hershberger/Osmonbekov/Donthu (2001) sowie Nyhan/Martin (1999), S. 350 ff. Vgl. Boles/Donthu/Lohtia (1995), S. 33-37
107 overall best practice?“362 Meist werden zudem Relationen hoch aggregierter monetärer Kennzahlen herangezogen mit der Folge eines entsprechenden Informationsverlustes bzgl. der Relevanz und Zusammenhänge einzelner Einflussparameter. Sollen mehrere Kennzahlen einfließen, müssen diese durch das Zuweisen von Gewichtungen etwa zu einem Indexwert bzw. Score verknüpft werden. Oftmals nimmt eine solche Verknüpfungsfunktion die Form fixer, für alle Objekte einheitlich vorgegebener Input- und Output-Gewichtungen an.363 Diese erfordern mehr oder weniger willkürliche, möglicherweise unrealistische A-Priori-Vorgaben durch den Entscheider, welche die Akzeptanz und Fairness der Ergebnisse beeinträchtigen. Außerdem verfolgen einfache, kennzahlenbasierte Methoden das Ziel, immer nur ein Objekt, nämlich jenes, welches an erster Position des jeweiligen Rankings steht, als globalen Benchmark auszuweisen. Es wird somit unterstellt, dass es nur einen richtigen Benchmark gibt, ohne eine weitere Differenzierung, etwa bezüglich unterschiedlicher Strategien zur Leistungsmaximierung, vorzunehmen. Dies widerspricht dem zentralen Prinzip eines strategisch ausgerichteten Marketing, wonach Unternehmen aus der Fülle möglicher Konzepte alternative, eigenständige Vorgehensweisen wählen, die jeweils in einem bestimmten Teilmarkt bzw. Kundensegment erfolgreich sind. Als Beispiele für Verfahren der Performanceanalyse, die auf einfachen Kennzahlen basieren, sind z.B. die Gap- und die ABC-Analyse zu nennen, die zwar eine graduelle Abstufung der Leistungsfähigkeit von Objekten ermöglichen, als Leistungsmaßstab jedoch immer nur eine Kennzahl isoliert - i.d.R. Umsatz, seltener auch Deckungsbeitrag - heranziehen. Auch zwei- bzw. dreidimensionale Analysemethoden wie Portfolio-Analysen oder Raummodelle (Idealpunkt bzw. -vektormodelle) lösen dieses Problem nicht, da auch hier nicht klar ist, wie die Dimensionen aggregiert werden sollen, um ein eindeutiges Ranking der Objekte zu erhalten. Hier sind ebenfalls exogene Gewichtungsvorschriften notwendig, von denen die Position der einzelnen Objekte entscheidend abhängt. Beide Verfahren unterstellen globale Idealpunkte, die von allen Einheiten angestrebt werden sollten. Im Rahmen von Portfolio Analysen können anhand der Positionen der Objekte Leistungsunterschiede zwar visualisiert, aber nicht quantifiziert werden. Grundsätzlich bleibt als zentraler Nachteil der einfachen kennzahlenorientierten Verfahren festzuhalten, dass aufgrund der Heranziehung unverbundener Kennzahlen stets nur partielle Performancewerte ausgewiesen werden können. Aussagekräftiger sind daher Analyseverfahren, die komplexe Verhältniskennzahlen unter simultaner Einbeziehung aller relevanten Outputs und Inputs (multiple input/multiple output ratios) heranziehen und die Berechnung einer Gesamtproduktivität (total factor producti-
362 363
Nyhan/Martin (1999), S. 351. Für Beispiele hierzu vgl. Norman/Stoker (1991).
108 vity) erlauben. Dies ermöglicht den Ausweis mehrerer effizienter Input-OutputKombinationen, weshalb solche Verfahren nicht mehr den einen besten Referenzpunkt bestimmen, sondern eine Referenzfunktion in Form einer ganzen Gruppe von gleichwertigen Vergleichspunkten suchen. Aus dieser können für jede Einheit realistische, individuelle Referenzmaßstäbe ermittelt werden. Dies wird zum Teil von den Verfahren der Klasse IV (parametrische Verfahren) und in umfassender Weise von den Methoden der Klassen V (nicht parametrische Verfahren) geleistet.
2.2.
Moderne Verfahren - Relative Effizienzmessung anhand von Produktionsfunktionen
Die Verfahren der Klassen IV und V stellen als Verfahren der zweiten Generation einen ökonomischen Zusammenhang zwischen Kennzahlen der Input- und Outputseite durch mathematische Bestimmung einer Produktionsfunktion her. Projektionen der untersuchten Einheiten auf die Produktionsfunktionen konstruieren Referenzpunkte, in die alle relevanten In- und Outputparameter einfließen, wodurch eine umfassend Abbildung der Leistungsfähigkeit gewährleistet wird.364 Mit der Bestimmung einer Produktionsfunktion geben die modernen Verfahren einen expliziten Standard vor, anhand dessen die Effizienz verglichen und Relationen zwischen den Objekten hergestellt werden können. Erst ein solcher Referenzmaßstab erlaubt eine präzise Quantifizierung, wie viel besser eine Einheit im Vergleich zu einer anderen ist. Sie können aufgrund mathematisch anspruchsvoller Algorithmen komplexe Datenbasen bei der Bestimmung und Beschreibung von Benchmarks abbilden und ermöglichen die Quantifizierung der Gesamteffizienz.365 Die Verfahren der relativen Effizienzmessung auf Basis der Produktionstheorie lassen sich damit als analytisch-quantitative Erweiterungen der einfachen Verfahren charakterisieren. Es wird deutlich, dass eine produktionstheoretisch fundierte Effizienzmessung, besonders bei der Leistungsbewertung innerhalb des Marketing, zu bevorzugen ist. Gerade hier ist eine Vielzahl relevanter Inputs und Outputs simultan zu berücksichtigen, um eine genaue und realistische Modellierung der zu bewertenden Prozesse zu gewährleisten. Im Rahmen mehrdimensionaler Leistungsvergleiche, insbesondere wenn die Parameter in unterschiedlichen Maßeinheiten vorliegen und zum Teil psychografischer Natur sind, sind zur Berechnung einer Gesamteffizienzkennzahl leistungsfähige Methoden erforderlich. Diese müssen v.a. die Gewichtungsproblematik adressieren und die individuelle Bedeutung der Parameter für die Performance der jeweiligen Einheit adäquat widerspiegeln. 366 364 365 366
Vgl. Mahajan (1991), S. 190. Vgl. Bauer/Hammerschmidt/Garde (2004a), S. 4 ff.; Porembski (2000). Vgl. Homburg/Eichin (1998), S. 363; Thomas et al. (1998), S. 488.
109 Die modernen Verfahren lassen sich nach der Art und Weise einteilen, wie die Produktionsfunktion bestimmt wird. Es lässt sich unterscheiden, ob die Schätzung der Produktionsfunktion parametrisch oder nicht parametrisch erfolgt. Bei parametrischen Verfahren wird die Randproduktionsfunktion durch eine a priori festgelegte Form des Funktionsverlaufes repräsentiert (Vorgabe einer festen Berechnungsvorschrift). Die Schätzung der Produktionsfunktion erfolgt statistisch, d.h. aggregiert über alle Beobachtungspunkte. Damit werden einheitliche Gewichtungsparameter der Input- und Outputvariablen für alle Objekte fix vorgegeben. Der Schätzung einer solchen Produktionsfunktion liegen daher exogen spezifizierte Verteilungsannahmen bzgl. der Abweichungen der Beobachtungspunkte von der Referenzfunktion zu Grunde.367 Es wird versucht, einen für alle Datenpunkte repräsentativen InputOutput-Zusammenhang zu finden und durch die verschiedenen Funktionsannahmen zu erreichen, alle Daten in dieses vorgegebene „Korsett zu zwingen“.368 Eine flexible Anpassung der Produktionsfunktion an die empirischen Datenpunkte wird dadurch eingeschränkt, weshalb die Effizienz unter eher „künstlichen“ Bedingungen bewertet wird, was eine Interpretierbarkeit und Umsetzbarkeit der Ergebnisse erschwert. Nicht parametrischen Verfahren erfordern keine Annahmen bzgl. der funktionalen Form des Input-Output-Zusammenhangs, dieser hängt vom beobachteten Datenset ab und resultiert lediglich aus wenigen zu Grunde gelegten Prämissen des Verfahrens selbst. Die Optimierung der Funktionsparameter erfolgt für jede Einheit separat, weshalb Analysen und Implikationen auf Individualebene möglich werden, die nicht mehr nur allgemeine Performancetreiber des Marketingbereichs als Ganzes identifizieren. Im Folgenden werden - basierend auf der Einteilung in parametrische und nicht parametrische Vorgehensweisen - die wichtigsten modernen, produktionsökonomischen Verfahren zur Effizienzmessung vorgestellt.
2.2.1.
Parametrische Verfahren
Innerhalb der parametrischen Verfahren ist zu unterscheiden, ob eine Durchschnittsoder Randproduktionsfunktion geschätzt wird. Erstere gibt eine durchschnittlich effiziente Input-Output-Transformation wieder und lässt Abweichungen nach oben und nach unten zu. Letztere zeigt die maximal mögliche Effizienz an und lässt nur negative Abweichungen zu und erlaubt so die Feststellung systematischer Ineffizienzen. Des Weiteren ist zu untersuchen, ob die Funktionsverläufe deterministisch oder stochastisch (ökonometrisch) sind. Bei deterministischen Verfahren ist jede Differenz zur Randproduktionsfunktion allein auf Ineffizienz zurückzuführen. Bei stochasti367 368
Vgl. Boles/Donthu/Lohtia (1995), S. 40; De Borger et al. (1994a), S. 647. Vgl. Rust (1988).
110 schen Verfahren wird der Abstand zur Produktionsfunktion in eine Komponente der Ineffizienz und einen Fehlerterm als Zufallskomponente aufgeteilt. Dies erlaubt eine Differenzierung zwischen Ineffizienz und solchen Einflussfaktoren, die außerhalb der Kontrolle der Entscheidungsträger liegen.369
2.2.1.1. Regressionsanalyse Die Regressionsanalyse als klassisches und ältestes Verfahren zur empirischen Schätzung von Produktionsfunktionen basiert als parametrisches Verfahren auf einer vorab fixierten funktionalen Beziehung der Form f ( x, β ) für die Produktionsfunktion. Dabei stellt x einen Vektor von beobachteten Inputs und β den zu schätzenden Parametervektor dar. Stellen ( x j , y j ) beobachtete Input-Output-Kombinationen dar, so lautet die Schätzgleichung für die Produktionsfunktion (4)
y j = f (x j , β ) + ε j ,
j = 1,..., n
wobei der Parametervektor β in der einfachsten und bekanntesten Form der Kleinste-Quadrate-Regression (OLS-Regression) so bestimmt wird, dass die Summe der quadrierten Residuen ε 1 + ... + ε N minimiert wird.370 Neben linearen Funktionen werden in der Literatur üblicherweise Cobb-Douglas-, CES (Constant Elasticity of Scale)oder Translog-Funktionen vorgeschlagen.371 Die Regression berücksichtigt alle Beobachtungspunkte bei der Bestimmung der Produktionsfunktion und weist in Form der ȕ-Gewichte aus, welche Outputeffekte bei Variation der Inputgrößen durchschnittlich zu erwarten sind. Mit einer Regression wird somit stets eine Funktion bestimmt, die durch die Mitte der aus den Input-Output-Kombinationen bestehenden Punktewolke führt und für alle Beobachtungen identische Funktionsparameter aufweist. Die durch die Regression geschätzte Produktionsfunktion gibt an, wie eine durchschnittliche Einheit die zur Verfügung stehenden Inputs kombiniert um eine bestimmte Menge an Outputs zu erstellen.372 Die Abweichungen der tatsächlichen Datenpunkte von dieser durchschnittlichen Produktionsfunktion (average production function), die das Performancemaß darstellen, werden als stochastische Fehlerterme und somit als Zufallsschwankungen interpretiert. Sie werden als durch nicht kontrollierbare Einflüsse oder Messfehler bedingt angenommen. Dies kommt dadurch zum Ausdruck, dass bei Verwendung des OLS-Schätzers die Residualgrößen als unabhängig normalverteilt unterstellt werden.373 Der Verlauf der ermittelten Produktionsfunktion 369 370 371 372 373
Vgl. De Borger/Kerstens (1996), S. 151; Cummins/Zi (1998), S. 131 ff. Vgl. Porembski (2000), S. 96; Schefczyk (1996). Vgl. Porembski (2000); S. 97 f. Vgl. Cantner/Hanusch (1998), S. 229. Vgl. Skiera/Albers (2000), S. 390 f.
111 ist stets von den Annahmen über die Verteilung der Fehlergrößen abhängig. Als effizient werden diejenigen Input/Output-Kombinationen klassifiziert, welche auf oder über der geschätzten Regressionsfunktion liegen.374 Diese Zusammenhänge seien anhand des Zahlenbeispiels verdeutlicht, für dessen Daten die in Abbildung 8 dargestellte lineare Regressionsfunktion resultiert. 22 I
18 16 Output
14 12
K
J
20
H
G F
εD < 0
εF > 0
E
10
D
A
C
8 B 6 4 2 0 0
2
4
6
8
10
12
14
16
18
Input
Abbildung 8: Durchschnittsproduktionsfunktion der Regressionsanalyse
Aus der Abbildung 8 geht hervor, dass die Punkte F bis K als effizient einzustufen sind, da sie über der Durchschnittsproduktionsfunktion liegen. Regressive Verfahren sind wegen ihrer Zielsetzung, eine „central tendency“ zu ermitteln, dadurch charakterisiert, dass Abweichungen von der Referenzfunktion auch positiv sein können. Die positiven Abweichungen einer Beobachtung von der Average Practice stellen nach der Logik dieses Messverfahrens eine nicht notwendige Überperformance dar. Die unteren Abweichungen als Differenz zwischen erreichtem Output und erreichbarem Durchschnitts-Output entsprechen einer Underperformance. Diese wird bei der Regression als Ineffizienz interpretiert.375 Wenig aussagekräftig ist jedoch, dass alle Abstände von der Average Practice als „Rauschen“, d.h. als zufällig und temporär interpretiert werden. Dies stellt eine Verletzung der Forderung dar, systematische ökonomische Ineffizienzen aufzudecken. Eine Effizienzklassifizierung auf Basis der Regression sagt weiterhin nichts darüber aus, welche maximale Outputrate für bestimmte Inputs erreichbar wäre.
374 375
Vgl. Bowlin et al. (1985); Luo/Donthu (2001), S. 11. Vgl. Boles/Donthu/Lohtia (1995), S. 41.
112 In die Gruppe der regressionsanalytischen Ansätze lassen sich nahezu alle Studien zur Schätzung von Umsatz- bzw. Marktreaktionsfunktionen einordnen, die versuchen, basierend auf Querschnittsdaten den durchschnittlichen Einfluss des Einsatzes von Marketinginstrumenten (unabhängige Variablen) auf bestimmte, unterschiedlich aggregierte Responseparameter (abhängige Variable) funktional zu erfassen. Werden als Responseparameter absolute Umsatz- bzw. Absatzgrößen verwendet, spricht man von Umsatzreaktionsmodellen (Sales Response Models), während von Marktreaktionsmodellen (Market Response Models) gesprochen wird, wenn der Marktanteil als Erfolgskennziffer herangezogen wird.376 Ziel der ersteren Gruppe von Modellen ist es, auf der Basis von Nachfragefunktionen für die Marketinginstrumente durchschnittliche Marketing-Mix-Elastizitäten wie die Preiselastizität, die Werbeelastizität oder auch die Zufriedenheitselastizität zu ermitteln, die die Wirksamkeit der Instrumente anzeigen.377 Das Konzept der Elastizität lässt sich allgemein mit folgender Formel definieren: Um wie viel Prozent verändert sich eine Erfolgsgröße wie der Absatz, in Relation zur prozentualen Veränderung einer Stimulusgröße wie dem Preis? Basierend auf der Elastizität z.B. der Werbe- oder Promotionsausgaben lässt sich der Return on Investment eines zusätzlich investierten Werbe-Euro ableiten. Eine weitere wichtige Funktion übernehmen Marketingelastizitäten, wenn es um die Allokation knapper Ressourcen geht.378 Die Allokationsentscheidung betrifft dabei unterschiedliche Ebenen. Knappe Marketingbudgets werden entsprechend festgestellter Elastizitätsunterschiede über Marketinginstrumente, Produkte oder Kundensegmente verteilt.379 Die neuere Forschung fügt eine weitere Dimension mit der Frage hinzu, wie viel von einem Budget in Maßnahmen zur Akquisition vs. Bindung von Kunden investiert werden soll.380 Marktreaktionsmodelle ermöglichen es, durch die Betrachtung von am Gesamtmarkt relativierten Responsegrößen die Wettbewerbseffekte der Veränderung von Marketingparametern abzuschätzen. In der Forschung dominieren dabei lineare und multiplikative Responsemodelle, die vorwiegend für die Bereiche Preis, Werbung, Direct Mailing, Promotions und Außendiensteinsatz entwickelt wurden. Einen hervorragenden Überblick über den Stand der Forschung zur regressiven Responsemodellierung für die einzelnen Teilbereiche des Marketing-Mix bietet Fischer.381 Als Fazit zur Regressionsanalyse lässt sich folgendes festhalten: Das Hauptproblem besteht durch die Bestimmung von Durchschnittsfunktionen darin, dass Abweichungen als zufällig angesehen werden und somit Ineffizienzen nicht explizit von Zufalls376 377 378 379 380 381
Vgl. Leeflang et al. (2000). Vgl. Fischer (2001b), S. 104; Fischer/Herrmann/Huber (2001), S. 1170 ff. Vgl. Fischer (2004), S. 9. Vgl. Albers (1998), S. 220 ff. Vgl. Reinartz/Thomas /Kumar (2005). Vgl. Fischer (2001b), S. 105-113. Vgl. auch Bauer/Fischer/Pfahlert (2001) und Fischer (2001a).
113 schwankungen getrennt werden. Durch die Annahme einer Normalverteilung der Residuen können neben negativen auch positive Abweichungen ( ε > 0 ) wie beispielhaft für F dargestellt) auftreten, was der Idee einer Produktionsfunktion im strengen Verständnis widerspricht, die für gegebene Inputs die maximal erreichbaren Outputs anzeigen soll. Verfahren der Klasse IV können daher lediglich Aussagen darüber treffen, wie unähnlich ein Objekt einem durchschnittlich arbeitenden Produktionsprozess ist. Wie gezeigt, bietet die Referenzfunktion der multiplen Regression wenig hilfreiche Informationen zu Verbesserungsmöglichkeiten, die für solche Einheiten bestehen, die die Average Practice bereits erreicht haben und sich nun im Rahmen eines BestPractice-Benchmarking messen wollen. Ein zusätzliches Problem von Regressionsanalysen stellt der Sachverhalt dar, dass diese stets nur eine abhängige Variable in die Untersuchung mit einbeziehen. Daher kann nur der Zusammenhang zwischen einem Output (Input) und mehreren Inputs (Outputs) untersucht werden. Um systematische Ineffizienzen explizit auszuweisen, entstanden aus einer Weiterentwicklung der Regressionsanalyse Verfahren, die Referenzfunktionen bestimmen, zu denen nur noch negative Abweichungen möglich sind. Diese geben dann Aufschluss über Ineffizienzen und evtl. vorliegende, davon zu trennende Zufallsschwankungen. Alle im weiteren vorgestellten Verfahren sind hier einzuordnen, da sie Randproduktionsfunktionen (Produktionsgrenzfunktionen, Frontier Production Functions) ermitteln, die die maximal erreichbaren Output-Input-Verhältnisse anzeigen.
2.2.1.2. Der deterministische Ansatz: Deterministic Frontier Approach Dem von Aigner/Chu entwickelten deterministischen Ansatz (DFA) liegt ebenfalls eine parametrische Vorgehensweise zu Grunde, allerdings werden nun positive Abweichungen von der Produktionsfunktion ausgeschlossen, indem als Nebenbedingung ε ≤ 0 eingeführt wird.382 Da üblicherweise eine Funktionsform vom CobbDouglas-Typ vorgegeben wird, ergibt sich die Schätzgleichung der Produktionsfunktion für n Beobachtungen im einfachen Fall eines Outputs ( y ) und zweier Inputs ( x1, x2 ) als y j = x1βj1 x 2β 2j + ε j ,
j = 1...n
(5) mit
εj ≤ 0
wobei β1, β 2 die unbekannten Funktionsparameter sind, die wiederum z.B. durch Minimierung der Summe der (quadrierten) Residuen geschätzt werden können.383 Wird 382 383
Vgl. Aigner/Chu (1968), S. 831. Vgl. Aigner/Chu (1968), S. 831; Porembski (2000), S. 99.
114 ∗
der unter Zugrundelegung der geschätzten Funktionsparameter β1 , β 2
∗
ermittelte ∗
optimale Output mit y j ∗ bezeichnet, so gilt für eine bestimmte Einheit j : y j = y j + ε j . Der beobachtete Output entspricht dem maximalen Output abzüglich der Ineffizienzabweichung. Da nur noch einseitige Abweichungen von der Produktionsfunktion zulässig sind, wird keine Normalverteilung der Residualvariablen mehr angenommen.384 Die Produktionsgrenze ist deterministisch, d.h. jede Differenz zur Referenzfunktion wird als Ineffizienz interpretiert.385 Die Variable ε j misst nun die Ineffizienz der der betrachteten Einheit j in Form der Abweichung des produzierten Outputs von der Frontierfunktion. Verwendet ein Unternehmen die optimale Technologie und produziert das maximale Outputniveau, dann nimmt die Variable ε j den Wert Null an. Auswirkungen nicht beeinflussbarer, stochastischer Einflüsse werden durch den Ausweis nur eines Fehlerterms komplett als Ineffizienz interpretiert. Damit wird nicht explizit abgebildet, dass die Maximalpunkte auf der Randfunktion durch günstige Ausprägungen der externen Inputs (Wetter, Produktionsbedingungen, Marktpotenzial etc.) zustande gekommen sein können. Es wird vielmehr unterstellt „…that random errors average out to zero, while the average efficiency of each firm remains constant over time.”386 Somit stellt die deterministische Cobb-Douglas-Frontierfunktion das in einer optimalen Situation maximal erreichbare Outputniveau dar.387 Sie wird geschätzt, indem die Regressionsfunktion solange nach oben verschoben wird, bis sie durch den Punkt mit der größten oberen Residualabweichung verläuft, der hier im Zahlenbeispiel durch Punkt J gegeben ist (vgl. Abbildung 9).388 Dies lässt sich z.B. durch den COLS (Corrected Ordinary Least Squares)-Schätzer erreichen.389 “Corrected ordinary least squares (COLS) consists of shifting the OLS estimation … The largest positive residual is added to the intercept to get the COLS frontier. This residual is associated with the most efficient firm. Efficiency scores are then calculated as the exponent of the COLS residuals.”390
384 385 386 387 388 389 390
Vgl. Berger/Hancock/Humphrey (1993) und DeYoung (1997). Vgl. De Borger/Kerstens (1996), S. 151. Paradi/Vela/Yang (2004), S. 353. Vgl. Greene (2003), S. 72. Vgl. Ratchford et al. (1996), S. 173. Vgl. Coelli/Perelman (1999); Deprins/Simar (1989); Perelman/Pestieau (1988). Affuso/Angeriz/Pollitt (2002), S. 13.
115
22
εH < 0
I
18 16
H
G F
14 Output
K
J
20
12
E D
A
10
C
8 B 6 4 2 0 0
2
4
6
8
10
12
14
16
18
Input
Abbildung 9: Randproduktionsfunktion des deterministischen Ansatzes
Es wird ersichtlich, dass dieser Ansatz im Sinne des klassischen Benchmarking nach bestmöglichen statt durchschnittlichen Leistungen sucht. Der Ansatz ermöglicht die Identifizierung systematischer Abweichungen von der Referenzfunktion, die somit über ökonomische interpretierbare Ineffizienzen und nicht über zufallsbedingte Schwankungen informieren. Allerdings bleibt auch beim DFA der erhebliche Nachteil der parametrischen Vorgehensweise bestehen. Die Parameter der Funktion werden weiterhin unter Vorgabe eines spezifischen, lediglich als realistisch vermuteten Funktionstyps geschätzt, wobei alle Input-Output-Kombinationen in die Schätzung einfließen.391 Es erfolgt also weiterhin die statistische Schätzung einer theoretischen, nur unter optimalen Bedingungen anwendbaren effizienten Technologie. Der effiziente Rand wird weiterhin nicht allein auf Basis der Best-Practice-Beobachtungen bestimmt. Daher sind die Annahmen, unter denen die Produktionsgrenze geschätzt wird, sehr restriktiv. Ein weiterer Nachteil dieses Ansatzes ist seine große Sensitivität gegenüber Extremwerten.392
2.2.1.3. Der stochastische Ansatz: Stochastic Frontier Approach Ebenso wie der DFA schätzt der Stochastic Frontier Approach (SFA) eine Randproduktionsfunktion. Dabei wird jedoch eine nicht deterministische Frontier Function be391 392
Vgl. Schmidt (1976), S. 238 f. Vgl. Aigner/Lovell/Schmidt (1977), S. 22; Greene (2003), S. 75 ff. Vgl. zu dieser Problematik ausführlicher Abschnitt D-1.5 und D-1.6.3.
116 stimmt, die nicht mehr impliziert, dass alle Abweichungen vom Rand Ineffizienzen darstellen.393 Stattdessen repräsentieren die SFA-Modelle das Verständnis, dass die Leistungserstellung von zwei zu trennenden Sachverhalten beeinflusst wird. Danach können Abweichungen einerseits auf managementbedingte Ineffizienz zurückzuführen sein, andererseits aber auch auf Faktoren, die außerhalb der Kontrolle der Entscheidungsträger liegen. Somit wird bei diesen Ansätzen eine explizite Unterscheidung zwischen Ineffizienzen und extern bedingten Zufallschwankungen (stochastischen Einflüssen wie Glück oder Wetter) getroffen. Die originären SFA-Modelle gehen im Wesentlichen auf die gleichzeitig erschienenen Arbeiten von Aigner/Lovell/Schmidt, Battese/Corra und Meeusen/van den Broeck zurück.394 Bei der SFA handelt es sich, wie bei der Regression und dem DFA, ebenfalls um ein parametrisches Verfahren, da zum einen ein bestimmter Funktionstyp der Randfunktion (üblicherweise Cobb Douglas) a priori vorgegeben wird und zum anderen die Funktionsparameter aus den Daten aller beobachteten Vergleichseinheiten, also auch der ineffizienten Einheiten, geschätzt werden. Die deterministische Frontier Function wird dabei um einen kombinierten Fehlerterm ergänzt. Eine erste Variable vˆ j drückt Abweichungen von der Funktion aufgrund von zufallsbedingten, nicht kontrollierbaren Einflussfaktoren aus. Die durch diese Faktoren bewirkten Outputschwankungen werden als zweiseitig unbeschränkt angenommen, weshalb vˆ j so-
wohl positive als auch negative Werte annehmen kann und für diese Komponente üblicherweise eine symmetrische Normalverteilung mit dem Mittelwert Null angenommen wird. Eine zweite Variable uˆ j quantifiziert Abweichungen von der Produktionsfunktion aufgrund ökonomischer Ineffizienz, die von der Entscheidungseinheit zu verantworten ist. Es wird angenommen, dass die durch die kontrollierbaren Inputs erzielbaren Outputwirkungen nach oben beschränkt sind, d.h. hierfür Maximalwerte existieren. Für diese Variable wird daher üblicherweise eine Halb-Normalverteilung zugrundegelegt, die bei den vom Management kontrollierbaren Inputfaktoren nur negative Abweichungen von der Referenzfunktion zulässt. Der zusammengesetzte Term, der in (6) als ε j bezeichnet wird, ist somit asymmetrisch verteilt; die beiden Fehlerkomponenten sind voneinander unabhängig.395 Auf diese Weise entsteht eine stochastische Frontier Function, wodurch nicht mehr zwangsläufig die gesamte Abweichung von der Funktion als Ineffizienz zu interpretieren ist. Die Cobb-Douglas-Referenzfunktion des SFA lässt sich in Vektorschreibwei-
393 394 395
Vgl. De Borger/Kerstens (1996), S. 151. Vgl. Aigner/Lovell/Schmidt (1977); Battese/Corra (1977); Meeusen/van den Broeck (1977). Vgl. Aigner/Lovell/Schmidt (1977), S. 24 f.
117 se durch die folgende Beziehung formulieren, wobei x den Vektor der Inputs und y den Vektor der Outputs darstellt: 396 y j = x βj + ε j ,
(6) mit
j = 1,..., n
ε j = vˆ j − uˆ j
Zur Bestimmung der Randfunktion und zur Dekomposition des kombinierten Fehlerterms existieren mehrere Möglichkeiten. Üblicherweise erfolgt dies bei Querschnittsdaten durch eine Maximum-Likelihood-Schätzung.397 Sind die Auswirkungen nicht kontrollierbarer Einflüsse vernachlässigbar gering ( vˆ j = 0 ), dann liegt der TargetOutput y ∗j auf der deterministischen Randfunktion und entspricht der Komponente: (7)
y ∗j = x βj
Ist dagegen der Leistungserstellungsprozess einer Beobachtung durch stochastische Einflüsse gekennzeichnet ( vˆ j ≠ 0 ), dann wird dieser anhand einer stochastischen Randfunktion bewertet und der Frontier-Output entspricht dann: (8)
y ∗j = x βj + vˆ j
Da vˆ j sowohl positive Werte (wenn Zufallseinflüsse die Leistungserstellung begünstigen) als auch negative Werte (bei nachteiligen Zufallseinflüssen) annehmen kann, schwanken die Outputwerte der stochastischen Frontierfunktion um ihren deterministischen Teil, sowohl in positiver als auch in negativer Richtung.398 Sind dagegen keine unkontrollierten Störeinflüsse vorhanden ( vˆ j = 0 ), dann befinden sich effiziente Objekte ( uˆ j = 0 ) stets auf, ineffiziente Einheiten stets unterhalb der deterministischen Produktionsfunktion. Sobald jedoch stochastische Einflüsse existent sind, kann es vorkommen, dass beobachtete Outputwerte oberhalb der deterministischen Grenze liegen, nämlich wenn bei effizienten Einheiten günstig ausgeprägte Zufallseinflüsse („Glück“) vorliegen bzw. Ineffizienzen durch das Vorliegen von „Glück“ überkompensiert werden. Alle Beobachtungspunkte unterhalb der deterministischen Randfunktion können einen positiven Störterm (dann liegt der stochastische Frontier-Output oberhalb der deterministischen Funktion) oder negativen Störterm (dann liegt der stochastische Frontier-Output darunter) aufweisen. Die stochastische Randfunktion kann somit sowohl oberhalb als auch unterhalb der deterministischen Randfunktion verlaufen.399 Damit wird berücksichtigt, dass bei Vor396 397 398 399
Vgl. Aigner/Lovell/Schmidt (1977), S. 24 f. Vgl. Kumbhakar/Lovell (2000); Lovell (2006). Vgl. Coelli et al. (2005), S. 242 f. Vgl. Coelli et al. (2005), S. 243 f.
118 liegen von Zufallseinflüssen für gegebene Inputs zwar ein maximales Outputlevel existiert, dies aber beim SFA nur in Form einer Verteilung statt eines Punktes ausgedrückt werden kann. Folglich können sich verschiedene Einheiten unterschiedlichen Produktionsgrenzen gegenübersehen. Die beschriebenen Zusammenhänge werden für das Zahlenbeispiel anhand von Abbildung 10 illustrativ erläutert.
22
y J∗
mit vJ = 6,2
J
20 18 16
y J∗ mit vJ = 0
Output
14
J‘
12
y B∗ mit vB = 0 B‘
10
y B∗ mit vB = -3,9
8
B
6 4 2 0 0
2
4
6
8
10
12
14
16
18
Input
Abbildung 10: Randproduktionsfunktion des stochastischen Ansatzes
Die durchgezogene Linie stellt den deterministischen Teil der Cobb-DouglasRandproduktionsfunktion dar. Die Schätzung der Funktionsparameter für die Beispieldaten erfolgte mittels Maximum-Likelihood-Schätzer.400 Zur besseren Übersicht400
Alle Berechnungen im Rahmen der SFA wurden mit STATA durchgeführt. Die oben genannten üblichen Verteilungsannahmen wurden verwendet. Die Schätzungen zeigen, dass keine Einheit exakt auf der deterministischen Funktion liegt, wodurch der theoretische Charakter der Frontierfunktion deutlich wird, der durch die parametrische Vorgehensweise bedingt ist. Die Randfunktion basiert somit nicht auf tatsächlichen Best Practice-Beobachtungen, sondern gibt eine ideale Best Practice Technologie der Input-Output-Transformation wider. Es handelt sich aber dennoch um eine Randfunktion, da keine Einheit ohne Betrachtung der Zufallskomponente (d.h. bei alleiniger Betrachtung des Ineffizienzterms) oberhalb dieser Funktion liegen kann. Hier gelten also nur negative Abweichungen. Da aber beim stochastischen Term auch positive Abweichungen zulässig sind, können einige Einheiten aufgrund von „Glück“ über der deterministischen Grenze liegen. Aufgrund der Tatsache, dass ein Teil der Abweichungen vom Randoutput bei der SFA auf nicht beeinflussbare Zufallseinflüsse und nicht auf Ineffizienzen zurückgeführt wird, ist der durchschnittlich ermittelte Effizienzwert relativ hoch, im Beispiel liegt dieser bei 0,93. Das Ausmaß der Ineffizienz wird hier wie bei allen parametrischen Verfahren regelmäßig unterschätzt; mit entsprechend wenig strengen Handlungsempfehlungen! Daher konstatieren viele SFA-Studien, dass die betrachteten Unternehmen in den untersuchten Branchen überwiegend effizient geführt werden,
119 lichkeit sind nur zwei Einheiten (B und J) dargestellt. Die Dreiecke auf der Kurve zeigen die Target-Outputwerte, die im deterministischen Fall erreichbar wären, wenn diese effizient operierten. y ∗ zeigt das Outputlevel, welches vorzugeben wäre, wenn zusätzlich die negativen bzw. positiven Zufallseinflüsse berücksichtigt werden. Für Einheit J wird ein stochastischer Maximaloutput von 21,7 ermittelt. Er liegt über dem deterministischen Rand, was impliziert, dass J aufgrund glücklicher Umstände (d.h. vˆJ > 0 ) einen Output erzielt hat, der über dem deterministischen Frontier-Output von 15,5 liegt, der durch das Dreieck angezeigt wird. Die SFA-Ergebnisse zeigen weiter, dass Einheit J ineffizient ist mit einem Effizienzwert von 0,957, d.h. ohne die günstige Zufallskomponente (im deterministischen Fall) unterhalb der durchgezogenen Linie liegen und nur einen Output von 14,8 erzielen würde (0,957*15,5 = 14,8). Dieser wird durch Punkt J’ angezeigt. Der Ineffizienzeffekt (0,7) wird aber durch die Ausprägung des stochastischen Terms (+6,2) überkompensiert, so dass selbst der beobachtete Outputwert oberhalb der deterministischen Grenze bei 21 liegt. Es gilt für J somit vˆJ > uˆJ . Der tatsächlich beobachtete Output y J ergibt sich folglich als y J = 15,5 – 0,7 + 6,2 = 21. Soll Einheit J bei gegebenen positiven Zufallseinflüssen
(„Glück“) die Ineffizienz in Höhe von 0,7 beseitigen, muss ein Outputniveau von y J∗ = x βj + vˆJ = 15,5 + 6,2 = 21,7 erzielt werden, welches als stochastischer Frontier-
Output bezeichnet wird und durch den Stern gekennzeichnet ist. Die stochastische Randfunktion für J verläuft daher durch Punkt y J∗ , angedeutet durch die gestrichelte Linie. Für Einheit B zeigt der für vˆB ermittelte Wert von -3,9 das Vorliegen einer ungünstig ausgeprägten Zufallskomponente („Pech“). B weist einen beobachteten Output von 7 auf und ist ineffizient mit einem Effizienzwert von 0,932. Der Target-Punkt auf der deterministischen Randfunktion liegt bei 11,7, woraus ersichtlich ist, dass B ohne negative Störeffekte einen Output von 10,9 (11,7*0,932) erreicht hätte. Der beobachtete Output liegt wegen vˆB = -3,9 jedoch bei 7. Hier wird die Abweichung von der deterministischen Funktion durch einen negativen stochastischen Term also noch verstärkt. Unter Berücksichtigung dieser ungünstigen Umstände beträgt der anzustrebende stochastische Frontier-Output für B nur y B∗ = 7,8 (11,7 – 3,9). Die stochastische Referenzfunktion verläuft für B somit unterhalb des deterministischen Teils. Die Outputabweichung von der deterministischen Randfunktion setzt sich damit aus einer Ineffizienzabweichung (0,8) und einer stochastischen Abweichung was aber nur auf evtl. unrealistische und zu zuversichtliche Verteilungs- und Funktionsannahmen und nicht auf tatsächliche Überlegenheit der Leistungsfähigkeit zurückzuführen ist. Insgesamt werden daher zu stark idealisierte Datenwelten angenommen, was zu systematischen Verzerrungen in Richtung zu optimistischer Ergebnisse führt. Vgl. Barth/Staat (2005); Scheel (2000).
120 (-3,9) zusammen, die in der Summe die Gesamtabweichung ε B = –3,9 – 0,8 = – 4,7 ergibt. Wie aus den Ausführungen bereits vermutet werden kann, setzt die Hauptkritik am SFA an dem gravierenden Nachteil an, dass zur Schätzung der Funktionsparameter uˆ j und vˆ j bestimmte Verteilungen a priori für alle untersuchten Objekte fest vorgegeben werden müssen. So wird unter der Annahme, dass uˆ j nur negative Werte annehmen darf (Best-Practice-Orientierung), zumeist eine Halb-Normalverteilung der Ineffizienzen angenommen, um eine Schätzung der SFA-Modellparameter mit der Maximum-Likelihood-Methode zu ermöglichen, die als robustester und leistungsfähigster Schätzer gilt.401 Befunde zeigen, dass die geschätzten Effizienzgrenzen stark mit den Verteilungsannahmen bzgl. der Ineffizienzen und des Fehlerterms variieren.402 Unter Zugrundelegung der oben genannten Verteilungsannahmen für uˆ j und vˆ j kann der Erwartungswert der Ineffizienzkomponente uˆ j auf Basis der bedingten
Verteilung von uˆ j und bei gegebenem Wert der Residualgröße ε j wie folgt berech-
[
]
(
net werden: E uˆ j vˆ j − uˆ j = σ ∗ [f (⋅) ηF (⋅)(ε σ )].403 Dabei ist σ = σ u2 + σ v2
σ =σ σ σ ∗
2 u
2 v
2
)
1/ 2
; η = σu σv ;
sowie f (⋅) und F (⋅) die Dichtefunktion der Standard-Normal-Verteilung
und die kumulierte Verteilungsfunktion. Weiterhin kann eine stochastische Frontier aufgrund der Beschränkung auf eine abhängige Variable nur für ein-Input-multiple-Output- oder ein-Output-multiple-InputFälle spezifiziert werden.404 Demgegenüber besteht der Vorteil, dass es aufgrund dieser Parameterschätzungen möglich ist, Abweichungen von der deterministischen Produktionsfunktion differenziert betrachten und entweder auf stochastische Einflüsse oder auf Ineffizienzen in der Leistung zurückführen zu können. Die explizite Berücksichtigung von Einflussfaktoren, die außerhalb der Kontrolle des Managements liegen, aber dennoch die Effizienz einer Entscheidungseinheit wesentlich determinieren können, ist die wesentliche Weiterentwicklung des SFA-Modells. Ein weiterer Vorteil besteht darin, dass die ermittelten Ineffizienzwerte auf Signifikanz überprüft werden können.405 Aufgrund
401
402 403 404 405
Vgl. Aigner/Lovell/Schmidt (1977), S. 24 f. Diese Schätzmethode wurde von einigen Autoren kritisiert, die eine Schätzung auf Basis einer Exponentialverteilung, einer Gamma-Verteilung oder einer dezimierten Normalverteilung vorschlagen. Für eine zusammenfassende Darstellung dieser alternativen Schätzer vgl. Greene (2003), S. 76 ff.; Kumbhakar/Lovell (2000), S. 72 ff. Vgl. Bauer et al. (1998), S. 83; Kumbhakar/Lovell (2000), S. 90. Vgl. Jondrow et al. (1982), S. 235 ff. Vgl. Bryce/Engberg/Wholey (2000); Kaparakis/Miller/Noulas (1994). Vgl. Coelli et al. (2005), S. 258 f.
121 seiner Eigenschaften ist die SFA derzeit der bedeutendste parametrische Ansatz zur Effizienzmessung.406
Als zusammenfassende Kritik an allen Verfahren der parametrischen Effizienzmessung bleibt ihr konstituierendes Merkmal zu nennen: Die Annahme einer bestimmten funktionalen Form der Produktionsgrenze, die in der Schätzung fixer Gewichtungsparameter der Input- und Outputvariablen resultiert. „The parametric approaches commit the sin of imposing a particular functional form (and associated behavioural assumptions) that presupposes the shape of the frontier. If the functional form is misspecified, measured efficiency may be confounded with the specification errors.”407 Es stellt sich somit die erhebliche Herausforderung, den richtigen Funktionstyp auszuwählen und dann die gemessenen Abweichungen richtig zu interpretieren und zu erkennen, ob wirkliche Ineffizienzen oder Messfehler vorliegen.408 Einheitliche Gewichtungen unterstellen außerdem, dass es nur „die eine richtige“ Strategie gibt, welche zur Effizienz führt. Diese Eigenschaft lässt außer Acht, dass eine hohe Marketingperformance durch unterschiedliche Strategien, das heißt durch individuell unterschiedliche Gewichtungen der Input- und Output-Parameter, erreicht werden kann.409 Aufgrund der vielen notwendigen Funktions- und Verteilungsannahmen sind parametrische Modelle generell als stark restriktiv zu bezeichnen und nur anwendbar, wenn das theoretische Modell exakt mit der Wirklichkeit übereinstimmt.410
2.2.2.
Nicht parametrische Verfahren
Aufgrund der oben genannten Schwächen der parametrischen Methoden erscheint die Anwendung nicht parametrischer Analyseverfahren (Klasse V) sinnvoll. Diese Verfahren, deren wichtigste Vertreter die DEA und FDH darstellen, liegt eine völlig andere Philosophie zur Bestimmung der Randproduktionsfunktion zu Grunde. Es handelt sich um mathematische Programmierungsmodelle, welche den großen Vorteil aufweisen, dass der korrekte Funktionsverlauf der Referenzfunktion a priori nicht bekannt sein muss.411 Daraus erwächst der wesentliche Unterschied, dass eine implizite Bestimmung einer Funktion möglich ist. Während ökonometrische Verfahren die optimale statistische Schätzung von Produktionsfunktionen anstreben, lassen nicht parametrische Verfahren zu, dass sich die Randfunktion als Kombination tatsächlich beobachteter Produktionseinheiten bilden kann. Ziel ist es somit, eine empi406 407 408 409 410 411
Vgl. Porembski (2000), S. 102. Berger/Humphrey (1997), S. 179. Vgl. Bauer et al. (1998), S. 93. Vgl. Bauer/Hammerschmidt/Staat (2002), S. 10. Vgl. Hanow (1999), S. 118. Vgl. Bauer (1990), S. 39.
122 rische statt eine theoretische Produktionsfunktion zu identifizieren.412 Im Gegensatz zu parametrischen Ansätzen gehen nicht parametrische Verfahren nicht von der Fiktion einer dem Produktionsprozess zu Grunde liegenden „wahren“ Produktionsfunktion aus, sondern lassen durch nur schwache Annahmen die Daten für sich selbst sprechen. Das erscheint sehr vorteilhaft, da ersteres in realen, meist komplexen Situationen (wie gerade im Marketing, in dem die Produktion intangibler Outputs dominiert) aufgrund fehlender Anhaltspunkte über den tatsächlichen Zusammenhang zwischen den Input- und Outputfaktoren kaum möglich ist. Für diese Flexibilität wird im Gegenzug in Kauf genommen, dass die Berücksichtigung stochastischer Einflüsse bei der Bestimmung der Effizienzwerte im Allgemeinen nicht möglich ist.413 Die nicht parametrischen Verfahren lassen sich danach unterscheiden, ob konvexe (DEA) oder nicht konvexe (FDH) Produktionstechnologien zur Effizienzbewertung bestimmt werden, wodurch grundsätzlich verschiedene Randfunktionen entstehen. Eine konvexe Technologie liegt vor, wenn jede Input-Output-Kombination, die anteilig aus zwei oder mehreren effizienten Kombinationen gebildet wird, ebenfalls Bestandteil der Technologie ist. Damit werden die Verbindungen zwischen den effizienten Beobachtungen als stetig linear approximiert und damit gefordert, dass die Randfunktion eine positive Steigung aufweist und ein höherer Input immer auch einen höheren Output erbringt. Die Annahme einer nicht konvexen Technologie resultiert in nicht linearen Referenzfunktionen, die dann Einheiten enthalten kann, welche den identischen Output wie eine andere effiziente Einheit mit höherem Inputeinsatz erbringen. Dies bedeutet, dass die Randfunktion Teilabschnitte enthält, bei denen eine Erhöhung des Inputs nicht zu einer Outputerhöhung führt und somit Verschwendung von Inputs zugelassen wird. Ebenso wie die DFA bestimmen auch die DEA und FDH deterministische Produktionsfunktionen, wodurch die Eigenschaften des DFA konserviert werden, zusätzlich jedoch die Vorteile der nicht parametrischen Vorgehensweise genutzt werden.
2.2.2.1. Konvexe Technologien: Data Envelopment Analysis Grafische Darstellung des Grundprinzips Die Data Envelopment Analysis (DEA) ist eine nicht parametrische, mathematische Programmierungsmethode, welche die relative Effizienz auf Basis einer konvexen Referenztechnologie bestimmt. Konvexität impliziert, dass alle linearen Kombinationen von effizienten Aktivitäten als Referenzpunkte zulässig sind. Wie beim DFA wird ebenso eine deterministische Randfunktion bestimmt, die nun aber aufgrund der
412 413
Vgl. Varian (1984). Vgl. Schefczyk (1994), S. 151.
123 Nicht-Parametrie nur anhand der Daten der Best-Practice-Beobachtungen implizit ermittelt wird, wobei die Funktionsparameter (Gewichte) für jede Einheit individuell optimiert werden. Es wird eine Produktionsfunktion implizit bestimmt, d.h. durch den Ausweis von effizienten Referenzpunkten, die die Funktion aufspannen. Bezüglich der Skalenertragseigenschaften lassen sich nun zwei Fälle unterscheiden. Im Falle konstanter Skalenerträge (Constant Returns to Scale, CRS) wird unterstellt, dass eine Verdopplung der Inputs immer auch zu einer Verdopplung der Outputs führt. Eine auf der Basis konstanter Skalenerträge gebildete Randfunktion zieht das maximale im Datenset beobachtete Output-Input-Verhältnis (also die höchste Durchschnittsproduktivität des Inputfaktors), im Zahlenbeispiel realisiert durch Einheit F, für die Konstruktion des effizienten Randes heran. Diese wird für alle anderen Einheiten durch entsprechende Niveauanpassungen extrapoliert, woraus eine lineare Randfunktion resultiert, die durch den Punkt F verläuft und in Abbildung 11 mit CRS bezeichnet ist.414 CRS Randfunktion
Inputslack
22 J
20 18
x
I
VI
OH
H
16
G F
14 Output
VRS Randfunktion
K
12
E
10
D
A
C
8 B 6 4 2
x
0 0
2
4
6
IH
8
10
12
14
16
18
Input
Abbildung 11: Randproduktionsfunktionen der DEA
Für viele Anwendungsfälle, insbesondere im Marketing und hier v.a. in der Werbung, ist es jedoch nicht realistisch anzunehmen, dass unabhängig vom Skalenniveau immer proportionale Outputsteigerungen bei Inputsteigerungen erzielt werden und damit das Output-Input-Verhältnis konstant bleibt.415 Vielmehr ist zu vermuten, dass für 414 415
Vgl. auch Abschnitt D-1.2. Vgl. Büschken (2003).
124 unterschiedliche Skalenniveaus die aus Inputerhöhungen resultierenden Outputerhöhungen variieren und kein linearer Zusammenhang besteht. In diesem Fall lägen variable Skalenerträge (Variable Returns to Scale, VRS) vor. Werden variable Skalenerträge modelliert, lassen sich für verschiedene Inputvolumina Best-PracticeBeobachtungen finden, die im Beispiel durch die Punkte B, F, I, J, K gegeben sind und alle als effizient ausgewiesen werden. Sie weisen innerhalb ihrer Größenklasse das vergleichsweise höchste Output/Input-Verhältnis auf und werden als Efficient Peers bezeichnet. Sie stellen die Benchmarks für andere Beobachtungen dar, die auf ähnlichem Skalenniveau produzieren. Die Verbindungen zwischen den effizienten Punkten werden aufgrund der Konvexitätsannahme linear extrapoliert, wodurch eine stückweise lineare Randfunktion entsteht, deren Steigung (Skalenerträge) variiert und die in der Abbildung 11 mit VRS bezeichnet ist.416 Alle Einheiten auf der VRSRandfunktion werden als technisch effizient bezeichnet. Sie setzen also für die bestehende Betriebsgröße Ressourcen verschwendungsfrei ein und produzieren für das gegebene Inputniveau einen maximalen Output. Im Gegensatz zum CRS-Modell werden im DEA-Modell mit VRS nur noch Einheiten der gleichen Größe miteinander verglichen. Jede Einheit wird in Relation zum individuellen Teilstück der Randfunktion bewertet. Technisch effiziente Einheiten müssen deshalb nicht zwingend auch skaleneffizient sein, d.h. auch auf dem CRS-Rand liegen, weil unter Annahme variabler Skalenerträge durch Größenunterschiede verursachte Ineffizienzen ausgeblendet sind. Alle Teilstücke der VRS-Funktion links/unterhalb von Punkt F weisen dabei steigende Skalenerträge, der Punkt F selbst konstante Skalenerträge und alle Segmente rechts/oberhalb fallende Skalenerträge auf. F ist somit die einzige rein technisch effiziente Beobachtung, die auch die optimale Größe (most productive scale size) aufweist. Daher liegt der technisch effiziente Punkt B im Bereich zunehmender Skalenerträge und weist eine zu geringe Betriebsgröße auf. Die VRS-effizienten Einheiten I, J, und K liegen im Bereich abnehmender Skalenerträge und sind zu groß und deshalb ebenfalls skalenineffizient. Effizienzmessung im Ein-Input-Ein-Output-Fall Anhand des Zahlenbeispiels soll die Berechnung der in Abschnitt B-2.1.5 vorgestellten Effizienzmaße für beide Arten von DEA-Randfunktionen demonstriert werden. Damit soll gezeigt werden, wie die Effizienzmessung von den zu Grunde gelegten Technologieannahmen und von dem verwandten Effizienzmaß abhängt. Da dieser Abschnitt als Einführung in das Grundprinzip der DEA dient, erfolgt die Berechnung der Effizienzmaße für den einfachen Fall mit einem Input und einem Output. Für eine
416
Vgl. Charnes et al. (1997a), S. 4
125 Berechnung der Effizienzmaße für Fälle mit mehreren Inputs bzw. Outputs sei auf das nächste Kapitel verwiesen. Die absoluten Produktivitätswerte für die Untersuchungseinheiten des Zahlenbeispiels sind in Tabelle 11 dargestellt. Diese lassen sich allein auf Basis der beobachteten Input- und Outputmengen berechnen, ohne andere Einheiten zu berücksichtigen. Im zweidimensionalen Fall lassen sich diese Werte leicht ermitteln, da lediglich das Verhältnis des einen Outputs zu dem einen Input zu bilden ist. Wie schon grafisch gezeigt, weist F den höchsten Produktivitätswert auf und ist somit bei Zugrundelegung einer Technologie mit konstanten Skalenerträgen (d.h. einer Normierung des Outputs auf eine Einheit Input) die einzige effiziente Einheit. Einheit A B C D E F G H I J K
Input
Output
4 2 10 8 12 3 5 9 6 9 14
10 7 10 12 12 15 16 17 19 21 21
Absolute Effizienz (Output / Input) 2,500 3,500 1,000 1,500 1,000 5,000 3,200 1,889 3,167 2,333 1,500
Relative Effizienz 50,00% 70,00% 20,00% 30,00% 20,00% 100,00% 64,00% 37,78% 63,33% 46,67% 30,00%
Tabelle 11: Absolute und relative Effizienz im Ein-Input-Ein-Output-Fall
Der effiziente Rand ist - wie dargestellt - eine lineare Funktion, die ausgehend vom Ursprung durch den Punkt F verläuft. Keine der anderen Einheiten weist eine ebenso hohe Durchschnittsproduktivität auf wie F, weshalb diese im CRS-Fall als relativ ineffizient ausgewiesen werden. Die relative Ineffizienz ergibt sich für das inputorientierte Effizienzmaß, indem man die Produktivitätswerte der Vergleichseinheiten in Relation zum Produktivitätswert von F setzt. Zur Veranschaulichung werden die verschiedenen Effizienzmaße auf Einheit H angewendet. Abbildung 12 zeigt, wie die Effizienzmaße für eine CRS-Technologie grafisch bestimmt werden können. Um für den inputorientierten Fall den Benchmark für H zu konstruieren, muss die größenoptimale Einheit F auf das Outputniveaus von H skaliert, d.h. auf dem Fahrstrahl bis auf das Outputniveau 17 projiziert werden. Durch diese Art der Konstruktion des Referenzpunktes wird unterstellt, dass alle Einheiten das bei optimaler Größe erzielbare Output-Input-Verhältnis realisieren könnten. Um den Benchmark auf dem effizienten Rand und somit die gleiche Durchschnittsproduktivität wie F zu erreichen,
126 müsste H ihren Input unter Konstanthaltung des aktuellen Outputniveaus um 62,22% - von 9 auf 3,4 Einheiten - reduzieren. Aufgrund komplexerer Zusammenhänge wird die Bestimmung der anderen Effizienzmaße anhand des VRS-Falles ausführlich erklärt, gilt für den CRS-Fall jedoch analog. 46
outputorientiert V O
44 42 40 38 36 34 32 30 28 26
unorientiert V U
24 22 20
J I
inputorientiert VI F 2
4
18 16
H
G
14 6
8
10
Abbildung 12: Ermittlung der Effizienzmaße für Vergleichseinheit H bei CRS-Technologie
Die Vorgehensweise bei der Ermittlung der Effizienzwerte für den VRS-Fall wird anhand der Abbildung 13 gezeigt, die den für Einheit H relevanten Ausschnitt aus der in Abbildung 11 dargestellten Technologie zeigt und genau wie in Abbildung 12 veranschaulicht, auf welche Referenzpunkte die ineffiziente Vergleichseinheit H unter Verwendung der verschiedenen Effizienzmaße jeweils projiziert wird. Bei Anwendung eines inputorientierten äquiproportionalen Effizienzmaßes wird die Ineffizienz durch die horizontale Euklidische Distanz zum entsprechenden Teilfrontierstück ausgedrückt. Auf dem Projektionspunkt auf dem effizienten Rand befindet sich für H keine reale Vergleichseinheit. Aufgrund der Konvexitätsannahme wird daher eine sog. virtuelle Referenzeinheit VI aus den beiden angrenzenden Beobachtungen F und I linear kombiniert (vgl. Abbildung 13).
127 outputorientiert unorientiert VU
22
outputorientiert J
J
20
20
unorientiert I
I 18
inputorientiert VI
H G
18
inputorientiert VI
H G
16
16
F
F
14
14
12
12 2
22
4
6
8
10
Äquiproportionale Effizienzmaße
2
4
6
8
10
Additive Effizienzmaße
Abbildung 13: Ermittlung der Effizienzmaße für Vergleichseinheit H bei VRS-Technologie
Die Anteile, mit denen diese in die Referenzeinheit eingehen, werden mit λ bezeichnet. Sie ergeben sich aus dem Abstand der effizienten Einheiten zum virtuellen Referenzpunkt, d.h. aus den Streckenverhältnissen FVI / FI bzw. IVI / FI , und müssen sich bei variablen Skalenerträgen zu eins addieren. Durch diese Bedingung wird sichergestellt, dass als Benchmark nicht mehr das x-fache einer viel kleineren Einheit vorgegeben wird, sondern ein Vergleich nur noch mit Objekten ähnlicher Größe erfolgt. Damit ist der Benchmark, obwohl virtuell konstruiert, realistisch und vergleichbar. Die Annahme der Realisierbarkeit konvexer Kombinationen angrenzender Einheiten ermöglicht es, einen nur auf Beobachtungen basierenden Rand der Technologiemenge kontrolliert zu vergrößern.417 Da für die hier betrachtete Entscheidungseinheit der virtuelle Benchmark die Strecke zwischen den beiden angrenzenden effizienten Punkten genau halbiert, betragen die λ -Gewichte für beide 50%. Als Referenzpunkt ergibt sich 4,5/17, der sich je zur Hälfte aus den Input- und Outputmengen der Benchmarks F und I zusammensetzt, d.h. es gilt 0,5*3+0,5*6=4,5 und 0,5*15+0,5*19=17. Einheit H muss bei gleich bleibender Outputmenge die Inputmenge um 50% (d.h. von 9 auf 4,5 Mengeneinheiten) senken, um effizient zu werden. In Abbildung 11 oben kann der Grad der Ineffizienz grafisch aus dem Verhältnis der Strecken VI H / OH H abgelesen werden. Wird ein outputorientiertes äquiproportionales Effizienzmaß angewandt, so entspricht der Referenzpunkt genau der beobachteten Vergleichseinheit J, weil sie den gleichen Input wie H (9) aufweist. Deren Outputlevel (21) dient als Zielwert für H. Die Outputmenge der Vergleichseinheit H muss (bei gleich bleibender Inputmenge) von
417
Vgl. Scheel (2000), S. 47.
128 17 auf 21, d.h. um 23,53%, erhöht werden. Grafisch wird der Effizienzwert laut Abbildung 11 durch I H J / I H H gemessen. Das unorientierte äquiproportionale Maß bestimmt den Referenzpunkt so, dass gleichzeitige Inputsenkungen und Outputerhöhungen um denselben Prozentsatz (im Fall von H 17,39%) vorgenommen werden müssen. Benchmark ist dabei eine Linearkombination, in die die effiziente Einheit I mit einer Gewichtung von 0,52 und J mit einer Gewichtung von 0,48 eingehen. Die Referenzwerte für den Input und den Output ergeben sich somit als 7,45/19,95. Bei additiven Maßen bleiben alle Interpretationen gleich, die vorgeschlagenen Verbesserungen werden jedoch in absoluten Einheiten gemessen. Der Effizienzwert schlägt bei Inputorientierung eine Reduzierung der Inputmenge um 4,5 Mengeneinheiten bzw. bei Outputorientierung eine Erhöhung der Outputmenge um 4 Mengeneinheiten vor, die der vertikalen Euklidischen Distanz zur Effizienzgrenze entspricht. Ein Unterschied zum Benchmark bei den äquiproportionalen Maßen ergibt sich lediglich bei dem unorientierten additiven Maß. Es resultiert in diesem Fall die Vergleichseinheit I als realisierter Benchmark und somit der Referenzpunkt 6/19. Es wird folglich eine Inputmengenreduzierung um 3 und eine Outputmengenerhöhung um 2 Mengeneinheiten vorgeschlagen. Deren Summe ergibt den Effizienzwert von 5. Wie erkennbar ist, liegt der Bestimmung des additiven Effizienzmaßes im unorientierten Fall eine City-Block-Metrik zu Grunde. Die Verwendung der Euklidischen Distanz in Form der kürzesten Strecke zum virtuellen Punkt VU ist hier unzulässig. Ist auf dem relevanten Teilstück des Randes eine beobachtete Einheit wie I nicht vorhanden, so drückt das additive Maß auch im unorientierten Fall die Verbesserung vollständig input- oder outputorientiert aus, je nachdem, welcher Punkt näher liegt. Die Werte der Effizienzmaße für Einheit H sind für beide Technologien in Tabelle 12 zusammengefasst. Es sei nochmals darauf hingewiesen, dass die Effizienzmaße im ursprünglichen Verständnis die notwendigen Verbesserungen ausdrücken, d.h. angeben, um wie viel die jeweils betrachteten Größen verändert werden müssen. Die im folgenden Kapitel dargestellten DEA-Modelle verwenden jedoch als Effizienzwerte üblicherweise den Komplementärwert der Effizienzmaße und zeigen, auf welches Niveau die Parameter erhöht bzw. vermindert werden müssen. Darauf wird im folgenden Kapitel ausführlich eingegangen. Werden die Effizienzmaße auf Einheit K angewendet, zeigt sich, dass K bei Outputorientierung als effizient ausgewiesen wird, da eine Steigerung des Outputs nicht möglich ist; der Effizienzwert beträgt daher 0%. Dennoch besitzt K einen Benchmark in Form von Punkt J, der den identischen Output mit 5 Einheiten weniger Input erreicht.
129 CRS-Technologie Effizienzmaß
Radial inputorientiert Radial outputorientiert Äquiproportional unorientiert Additiv inputorientiert Additiv outputorientiert Additiv unorientiert
Effizienzwert
VRS-Technologie Effizienzwert
Zielwerte (Targets)
Benchmarks (Gewichte λ )
4,5/17
F (0,5), I (0,5) J (1,0)
Zielwerte (Targets)
Benchmarks (Gewichte λ )
62,22%
3,4/17
F (1,13)
50%
164,71%
9/45
F (3,0)
23,53%
9/21
45,16%
4,95/24,7
F (1,65)
17,39%
7,45/19,95
5,6
3,4/17
F (1,13)
4,5
28
9/45
F (3,0)
4
9/21
I (0,52), J (0,48) F (0,5), I (0,5) J (1,0)
28
9/45
F (3,0)
5 (3+2)
6/19
I (1,0)
4,5/17
Tabelle 12: Werte der Effizienzmaße für Vergleichseinheit H
Das outputorientierte Effizienzmaß weist daher einen sog. Input-Slack von 5 aus (vgl. Abbildung 11), der bei Verwendung des inputorientierten Maßes demzufolge zum Ausweis von Ineffizienz führt, da K den Input um 35,71% (5/14) reduzieren müsste. Einheiten wie K werden als schwach effizient bezeichnet. Dieses Beispiel belegt, dass es vom verwendeten Effizienzmaß abhängt, ob eine Beobachtung als effizient oder ineffizient ausgewiesen wird. Wie weiter erkennbar ist, können die CRS- und VRS-DEA-Modelle zu sehr unterschiedlichen Ergebnissen gelangen, so dass eine adäquate Modellierung entscheidend für die Qualität der Ergebnisse ist. Da H nicht größenoptimal ist, wird mit dem CRS-Modell bei allen Maßen eine deutlich höhere Ineffizienz ausgewiesen als mit dem VRS-Modell. Die Verwendung einer Randfunktion mit konstanten Skalenerträgen führt hier zu einer Überschätzung der Ineffizienz, wenn die gesamte ausgewiesene Ineffizienz als technische Ineffizienz interpretiert wird, so wie dies im CRSModell geschieht. Gerade im Rahmen der Effizienzmessung von Marketingaktivitäten wie Werbung (bei denen keine konstanten Grenzzuwächse der Outputs zu erwarten sind) und Organisationseinheiten wie Vertriebsteams (die in der Regel nicht alle die optimale Betriebsgröße aufweisen und diese dazu meist nicht selbst wählen können) erscheint es wichtig, sich nicht nur auf eine Modellspezifikation festzulegen. Stattdessen sollten in solchen Fällen immer die Ergebnisse beider DEA-Modelle verglichen werden, um eine korrekte Zuordnung der festgestellten Gesamtineffizienz zu deren Ursachen (Ressourcenverschwendung aufgrund ineffizienter Techniken der Inputtransformation und/oder suboptimale Größe) zu gewährleisten. Bestimmung von Skalenineffizienzen Alle Einheiten, die auf dem CRS-Rand liegen, sind stets gesamteffizient, d.h. sowohl technisch effizient als auch skaleneffizient. Dies trifft, wie gesagt, nur für Punkt F zu.
130 Gesamteffizienz impliziert stets technische Effizienz, weshalb alle im CRS-Modell als effizient klassifizierten Einheiten auch im VRS-Modell stets effizient sind. Daraus resultiert jedoch die Konsequenz, dass mit dem CRS-Modell auch immer nur eine Gesamtineffizienz ausgewiesen wird. Nur wenn alle Einheiten mit konstanten Skalenerträgen produzieren, wird im CRS-Modell technische Ineffizienz korrekt ausgewiesen. Ansonsten kann eine Abweichung von der CRS-Randfunktion sowohl auf Skalenineffizienz als auch auf technische Ineffizienz zurückzuführen sein.
22 20 Output
CRS
Skalenineffizienz
VRS J
I
technische Ineffizienz
18 H
VICRS
16
VIVRS F
14 12
0
2
4
6
8
10
12
Input
Abbildung 14: Ermittlung der Skalenineffizienz für Vergleichseinheit H
Da das VRS-Modell nur rein technische Ineffizienz ausweist, erlaubt ein Vergleich der Effizienzwerte des CRS- und des VRS-Modells Rückschlüsse über das Ausmaß evtl. zusätzlich vorliegender Skalenineffizienzen zu ziehen. Dies soll anhand von Abbildung 14 verdeutlicht werden, in der wiederum der für Einheit H relevante Ausschnitt vergrößert dargestellt ist. Der Abstand zwischen den beiden Randfunktionen drückt das Ausmaß der Skalenineffizienz in absoluten Inputeinheiten (also additiv) aus. Der Vergleich der beiden Modelle zeigt also eine Differenzierung der Gesamtineffizienz von H in Skalenineffizienz, deren Ausmaß additiv gemessen der Strecke VICRSVIVRS entspricht, und technische Ineffizienz in Höhe der Strecke VIVRS H . Unter
Verwendung des inputorientierten äquiproportionalen Effizienzmaßes lässt sich der Grad der Skalenineffizienz auch prozentual ausdrücken, indem der Quotient aus dem CRS Effizienzwert (62,22%) und dem VRS Effizienzwert (50%) gebildet wird, der sich als 1,2444 ergibt und somit ein Ausmaß der Skalenineffizienz von 24,44% anzeigt. Im Gegensatz dazu ist bei den Einheiten I und J, die auf dem Rand der VRS-
131 Technologie liegen, die gesamte aufgedeckte Abweichung von der CRSRandfunktion ausschließlich auf die „falsche“ Größe der Einheit zurückzuführen. Anhand der Abbildung 14 lässt sich neben der Höhe auch die Art der Skalenineffizienz erkennen. So befindet sich H im Bereich abnehmender Skalenerträge, ist also zu groß. Diese ist daran zu erkennen, dass H’s Benchmark VI über der skaleneffizienten Einheit F liegt. Als Benchmark wird hier also ein Vielfaches von F vorgegeben. Dies wird durch das λ -Gewicht in der 3. Spalte des CRS-Teils in Tabelle 12 angezeigt,418 welches für H im inputorientierten Fall einen Wert von 1,13 aufweist und mit dem die Input- und Outputwerte von H zu multiplizieren sind. Der Benchmark VI hat also die 1,13-fache Größe von F. Ist das Gewicht kleiner 1 (wie dies etwa für A der Fall ist), so weist die betrachtete Einheit nur einen Bruchteil des Volumens von F auf und ist somit zu klein. Anhand der λ -Multiplikatoren, die im CRS-Modell bestimmt werden, kann abgelesen werden, ob eine betrachtete Einheit im Bereich abnehmender Skalenerträge (> 1) oder zunehmender Skalenerträge (< 1) operiert und damit zu groß oder zu klein ist.419 Da auch die technisch effizienten Punkte I und J oberhalb von F liegen, ist ihr Skalenniveau in Relation zu F ebenfalls zu hoch und sie weisen größenbedingte Ineffizienzen auf. I und J könnten ihre Skaleneffizienz und somit auch ihre Gesamteffizienz durch Niveauverringerungen verbessern.
2.2.2.2. Nichtkonvexe Technologien: Free Disposable Hull Bei dem von Deprins/Simar/Tulkens eingeführten Free Disposable Hull (FDH)-Modell handelt es sich wie bei der DEA um ein deterministisches, nicht parametrisches Programmierungsmodell, welches jedoch eine nicht konvexe Referenztechnologie bestimmt.420 Sie haben als Alternative zu den DEA-Modellen große Popularität erlangt. Die Konvexitätsannahme der DEA-Modelle führt zur Konstruktion von Randfunktionen, die unterstellen, dass periphere Substituierbarkeit zwischen den Inputs bzw. zwischen den Outputs besteht und dass die einzelnen Inputs und Outputs beliebig teilbar sind.421 Nicht für alle Inputs und Outputs ist diese Annahme jedoch zutreffend: Falls beispielsweise Unternehmensziele oder auch hochaggregierte Kennzahlen in die Analyse aufgenommen werden, ist die Substituierbarkeit zwischen diesen nicht mehr gegeben.422 Auch sind Inputs wie Mitarbeiter nicht teilbar, d.h. es können hier nicht Bruchteile verschiedener Einheiten virtuell kombiniert werden. Bei der Verwendung diskreter Inputs und Outputs kann durch die Konvexität der Technologie das 418 419 420
421 422
Vgl. Banker et al. (2004), S. 49. Vgl. Banker/Thrall (1992), S. 78 ff. Vgl. De Borger et al. (1994a), S. 647; De Borger/Kerstens (1996), S. 148; Deprins/Simar/Tulkens (1984), S. 244 ff. Vgl. Allen (2002), S. 168. Für ein Beispiel vgl. Allen (2002), S. 168.
132 Problem auftreten, dass eine ineffiziente Entscheidungseinheit gegenüber Zwischenwerten gebenchmarkt wird, welche aufgrund diskreter Abstufungen tatsächlich nicht realisierbar sind.423 Ziel der FDH ist es, durch die Aufgabe des Konvexitätspostulats der DEA-Modelle eine stärkere Annäherung an den realen Produktionszusammenhang zu erreichen. Die FDH-Referenzfunktion wird nur aus realen, d.h. tatsächlich beobachtbaren Efficient Peers gebildet, Konvexkombinationen sind ausgeschlossen. Damit werden den ineffizienten Entscheidungseinheiten nur echte Realisationen (diskrete Faktorkombinationen) und keine virtuellen Punkte als Benchmarks zugewiesen.424 Der Rand der Technologiemenge nimmt dadurch einen stufenförmigen Verlauf an. Die Schätzung einer FDH-Referenzfunktion basiert nur noch auf der Annahme der freien Disposabilität (Verschwendbarkeit), die impliziert, dass auch Einheiten zur Technologie gehören, die für denselben Output mehr Input verbrauchen oder mit demselben Input weniger Output erwirtschaften. Die durch den FDH-Rand abgegrenzte Menge an InputOutput-Kombinationen ist die kleinst mögliche, die Beobachtungen A bis K enthaltende Technologiemenge, die noch die Eigenschaft der freien Disposabilität erfüllt. Sie stellt somit die geringsten axiomatischen Anforderungen an die Bestimmung der Technologie.425 Daher wird der resultierende stufenförmige Rand als Free Disposable Hull und das zu Grunde liegende Optimierungsverfahren als FDH-Modell bezeichnet. Für das Zahlenbeispiel ergibt sich der effiziente Rand der FDH als die stufenförmige Funktion, die die Einheiten B, F, G, I, J und K verbindet. Die entsprechende DEAReferenzfunktion ist zum Vergleich gestrichelt dargestellt. Im DEA-Modell würde zur Effizienzbestimmung von H der hypothetische Punkt VDEA verwendet. Für die Effizienzbestimmung im FDH-Modell wird stattdessen nur eine dominante Einheit vollständig als Benchmark vorgegeben. Dies ist Einheit I in Abbildung 15, die in inputorientierter Hinsicht äquivalent ist mit dem auf der Kantenlinie befindlichen Punkt I’, der als FDH-Referenzpunkt fungiert. Das inputorientierte Effizienzmaß nimmt einen Wert von 33,33% an, da der Input von 9 auf 6 reduziert werden muss. Diese notwendige Reduktion entspricht der Strecke I' H . Wie der grau schraffierte Bereich zeigt, wird H von zwei Einheiten (I und J) dominiert. Im Falle mehrerer Inputs bzw. Outputs hätte dies zur Folge, dass durch einen paarweisen Vektorvergleich festzulegen wäre, welche der beiden dominierenden Entscheidungseinheiten als Benchmark auszuwählen ist.426
423 424 425 426
Vgl. Greißinger (2000), S. 128. Vgl. Cooper/Seiford/Tone (2000), S. 105. Vgl. De Borger et al. (1994a), S. 647 f.; Tulkens (1993), S. 186. Vgl. Tulkens (1993), S. 189.
133
22
J
20
K
I
18
VDEA
16
F
H I‘
G
Output
14 E
12 D 10
C
A
8
B
6 4 2 0 0
2
4
6
8
10
12
14
16
18
Input
Abbildung 15: Randproduktionsfunktion des Free-Disposable-Hull-Modells
Eine erste Problematik der FDH entsteht hier, wenn eine ineffiziente Einheit so im Input- bzw. Outputraum liegt, dass sie von mehreren Einheiten gleichstark dominiert wird. Hier werden dann alternative Benchmarks ausgewiesen, ohne eine Aussage zu treffen, welcher von diesen als Zielposition zu wählen ist. Demgegenüber weist die DEA immer genau einen eindeutigen Referenzpunkt aus und belässt den Entscheider nicht in einer Indifferenzsituation. Im FDH-Modell gilt zweitens eine Beobachtung schon dann als effizient, wenn es nicht gelingt, zumindest eine andere Realisation zu finden, welche das gleiche oder höhere Outputniveau unter geringerem Einsatz mindestens eines Inputfaktors erzielt bzw. welche mit gleichem oder geringerem Inputeinsatz ein höheres Outputniveau erreicht.427 Aus diesem Grunde ist nun G im FDH-Modell effizient, weil G nicht durch eine reale Einheit dominiert wird, sondern nur durch die virtuelle Einheit wie z.B. VDEA dominiert würde, die jedoch unzulässig ist. G ist eine Beobachtungseinheit, die für keine andere als Benchmark fungiert und gleichzeitig von keiner anderen dominiert wird. Sie ist somit als “efficient by default“428 zu bezeichnen. Die FDH führt dazu, dass es viele effiziente Entscheidungseinheiten gibt, die diese Eigenschaft aufweisen und einzig deshalb als effizient ausgewiesen werden, weil „zufällig“ im entsprechenden Dominanzbereich keine realisierte Input-Output-Kombination liegt. In der DEA wird die Zahl solcher Einheiten reduziert, indem die Randfunktion durch Zulassen 427 428
Vgl. De Borger et al. (1994a), S. 651. Vanden/Tulkens/Jamar (1993), S. 308.
134 von Konvexkombinationen von Efficient Peers, d.h. von dominanten virtuellen Einheiten wie VDEA , sinnvoll erweitert wird. Durch die geschilderte Problematik der Nicht-Konvexität wird durch die FDH die im Vergleich zu allen anderen Verfahren maximale Anzahl effizienter Einheiten ausgewiesen. In empirischen Studien unter Anwendung der FDH liegt der Anteil effizienter Objekte nicht selten bei 80-90%.429 Damit überschätzt die FDH regelmäßig das Ausmaß der Effizienz der beobachteten Produktionsmenge. Die Diskriminierbarkeit der Einheiten wird dadurch massiv erschwert. Durch den stufenförmigen Verlauf bildet die FDH-Grenze die engst mögliche Umhüllende aller Beobachtungen. Deshalb unterscheiden sich die Ergebnisse beider Verfahren signifikant voneinander. So nimmt der FDH-Effizienzscore – verstanden als Komplement der dargestellten Effizienzmaße - immer mindestens gleich hohe, für die meisten Objekte jedoch größere Werte als der DEA-Score an.430 Ein drittes Problem besteht in der Annahme der freien Verschwendbarkeit (free disposability) der Randfunktion. Damit können auch solche Punkte auf der Randfunktion liegen, die für denselben Output mehr Input benötigen als ein anderer Punkt des Randes und daher eigentlich von diesem dominiert werden.431 So erwirtschaftete z.B. eine Einheit, die genau auf Punkt I’ liegen würde, mit demselben Input, den auch I verwendet (6), einen um zwei Einheiten geringeren Output. Obwohl dieser Punkt also eindeutig dominiert wird, wird er im inputorientierten Fall als effizient ausgewiesen und als Benchmark verwendet. Somit können mit dem FDH-Modell Einheiten als effizient klassifiziert werden, obwohl diese selbst Benchmarks in Form dominanter Vergleichseinheiten besitzen.432 Dies widerspricht dem Effizienzpostulat von ParetoKoopmans, wonach Effizienz nur dann ausgewiesen werden sollte, wenn keine Verbesserungspotenziale mehr bestehen, d.h. kein Output mehr erhöht werden kann, ohne den Input zu erhöhen.
2.3.
Vergleich von DEA, FDH und SFA - Auswahl eines geeigneten Verfahrens zur relativen Effizienzmessung im Marketing
Viele traditionelle Studien zur vergleichenden Effizienzmessung außerhalb des Marketingbereichs kommen zu der scheinbar beruhigenden Erkenntnis, dass die Vermutung erheblicher Ineffizienzen für die meisten Einheiten nicht bestätigt werden kann. Häufig wird daher kein dringender Handlungsbedarf konstatiert. Bei genauerer Betrachtung der methodischen Vorgehensweise dieser Studien wird jedoch der Grund 429 430 431 432
Vgl. einige der in Kapitel D-2 vorgestellten Studien. Vgl. Bauer (2002), S. 132; Cummins/Zi (1998), S. 131-152; Tulkens (1993), S. 183-210. Vgl. Tulkens (1993), S. 184 ff. Vgl. Allen (2002), S. 171; Porembski (2000), S. 122.
135 für diese Befunde erkennbar. So zeigt sich, dass “…virtually all studies have centered on average performance…but researchers need to focus on best performance.”433 Dies reflektiert die Denkhaltung der Regression, nach der das Ziel lediglich darin gesehen wird, eine durchschnittliche Leistungsfähigkeit zu erreichen. So demonstrieren Staat/Hammerschmidt in einer Bewertung der relativen Performance von 1.700 deutschen Krankenhäusern, dass bei regressionsanalytischer Betrachtung für die schlechtesten Krankenhäuser ein Einsparpotenzial von 40% der Behandlungskosten identifiziert wird. Selbst wenn alle unterdurchschnittlichen Krankenhäuser sich auf das Niveau der Durchschnittsperformance verbesserten, blieben beträchtliche potenzielle Effizienzgewinne – die Differenz zwischen der Average und Best Practice – unaufgedeckt. Zieht man nun letztere als Maßstab heran, liegt das Kostensenkungspotenzial der ineffizientesten Häuser bei über 55%.434 Die Abweichungen von der Durchschnittsfunktion werden im Rahmen der Regressionsanalyse nicht auf systematische Ineffizienzen, sondern vielmehr auf exogene, nicht verantwortbare Störgrößen und situative Einflüsse zurückgeführt, die lediglich identifiziert werden müssen. Während die geringen Abstände zur Average Practice vielleicht tatsächlich durch exogene Größen erklärbar sind, reicht deren Erklärungskraft nicht mehr aus, wenn der Abstand zur Best Practice begründet werden soll. Dies schränkt den Nutzen der Regression für eine systematische Effizienzbewertung stark ein. Auch für den Marketingbereich finden sich ähnliche Erkenntnisse. Bhargava/Kim zeigen im Bereich der Werbeeffizienzbewertung, welchen Fehleinschätzungen und -entscheidungen resultieren, wenn die Residuen zur Regressionsfunktion als Ineffizienzindikator und als Grundlage für Handlungsempfehlungen herangezogen werden. So zeigte sich nur eine sehr schwache Korrelation zwischen DEA-Effizienzscores und den Residuen der untersuchten Kampagnen. Dies deutet darauf hin, dass Kampagnen mit hohen positiven Abweichungen von der Regressionslinie nicht auch höhere Effizienzwerte aufweisen. Vielmehr ergibt sich, dass der überwiegende Teil (etwa 95%) der Kampagnen, die positive Residuen zeigten (d.h auf Basis der Regression als überdurchschnittlich gut und damit als effizient eingestuft werden), ineffizient waren, d.h. DEA-Scores von kleiner 1 aufwiesen.435 Im Ergebnis der Regressionsanalyse werden Werbekampagnen als „Outperformer“ klassifiziert - mit entsprechenden Budgetimplikationen! -, die in Wahrheit deutlich schwächer sind als vergleichbare Kampagnen auf dem Rand der Beobachtungsmenge. Konsistente Befunde deckt auch Büschken auf, der für Werbekampagnen ebenfalls eine geringe
433 434 435
Parsons (1994), S. 189 f. Vgl. Staat/Hammerschmidt (2000), S. 243. Vgl. Bhargava/Kim (1995), S. 214.
136 Korrelation zwischen den Ergebnissen „naiver linearer Modelle“ und nicht linearer DEA-Modelle ermittelt.436 In ihrer Untersuchung im Vertriebsbereich bestätigen Donthu/Yoo unter Nutzung von Rangkorrelationskoeffizienten nur schwache Zusammenhänge zwischen DEA- und Regressions-Rankings.437 Boles/Donthu/Lohtia ermitteln ebenfalls geringe Rangkorrelationen und stützen die Erkenntnis, wonach im Vertrieb ein wesentlicher Teil möglicher Kosteneinsparungen bei Verwendung des „Mittelmaßes“ als Leistungsstandards unaufgedeckt bleibt. Dadurch wird eine optimale Ressourcenallokation etwa durch adäquate Vergütungs- und Budgetierungssysteme verfehlt. Ein großer Teil der Vertriebseinheiten, die mit traditionellen Verfahren als effizient ausgewiesen werden, sind nach strengeren Maßstäben als Underperformer zu klassifizieren.438 Zahlreiche Methodenvergleiche von Frontier-Function-Ansätzen und Regression im Marketing belegen, dass die Effizienzwerte ersterer Ansätze weniger mit den Residuen, sondern deutlich stärker mit den unabhängigen Variablen (Inputs) korrelieren. Daraus ist zu schlussfolgern, dass die durch die Frontier-Ansätze generierten Effizienzwerte keine lineare Transformation der durch die Regression errechneten Abweichungen darstellen. Die ermittelten Input-Output-Zusammenhänge bzw. Produktionsbeziehungen der Frontier-Ansätze und der Verfahren zur Ermittlung einer Durchschnittstendenz sind folglich von grundlegend unterschiedlicher Natur.439 Aus diesem Grund konstatiert Parsons, einer der Pioniere der Marketingökonomie, in seiner einschlägigen Arbeit zur Marketingproduktivität: „Traditional productivity is not a viable managerial concept in marketing. Because they have focused on average performance, most past empirical studies on productivity are flawed. … All concepts of efficiency have no unambiguous meaning unless the efficiency frontier is obtained. Relative efficiency shows more promise than traditional productivity measures as a managerially useful concept in marketing.”440 Es ist offensichtlich, dass das Versagen der traditionellen Produktivitätsforschung im Marketing durch das Aufkommen neuer, verbesserter Methoden überhaupt erst sichtbar geworden ist. Erst die Kenntnis und die Akzeptanz neuer Methoden lässt Fragen aufkommen, die bisher nicht gestellt wurden und die die bisherigen Antworten plötzlich als unbefriedigend erscheinen lassen.441 Durch die Brille des bisher dominierenden Regressionsparadigmas betrachtet, stellt sich etwa die Frage nach der Produktivität der besten Einheiten an der Grenze einer Menge von Realisationen schlichtweg nicht. „Implicit assumptions 436 437 438 439
440 441
Vgl. Büschken (2003), S. 9 f. Vgl. Donthu/Yoo (1998), S. 99. Vgl. Boles/Donthu/Lohtia (1995). Vgl. Bhargava/Kim (1995), S. 215 ff.; Büschken (2003), S. 3.; Donthu/Yoo (1998), S. 99; Doyle/ Green (1991). Parsons (1994), S. 189. Vgl. Kuhn (1970), S. 52 f.
137 which come with the technique can limit the questions which are considered worth asking…, in much the same way that dominant scientific paradigms have been said to constrain science in general.”442 Insofern kann das Stadium, in dem sich die Forschung zur Marketingproduktivität derzeit befindet, als „Wissenschaft im Umbruch“ bezeichnet werden. Eine solche Phase des Umbruchs ist nach der Erkenntnistheorie Kuhns ein deutliches Zeichen für wissenschaftliche Revolutionen. Diese wird durch zunehmenden Misserfolg beim wissenschaftlichen „Rätsellösen“ und eine resultierende Unzufriedenheit der scientific community mit tradierten Problemlösungsmustern ausgelöst.443 Die derzeit in der Managementwissenschaft zu beobachtende zunehmende Anwendung von FrontierModellen neben den etablierten Regressionsverfahren444 deutet auf eine nachlassende Immunität gegen konkurrierende Methoden und Paradigmen hin. Dies könnte in optimistischer Interpretation als ein beginnender Paradigmenwechsel gedeutet werden. In der Volkswirtschaftslehre hat das Frontier-Paradigma in einschlägigen Lehrbüchern zu Methoden der Produktivitätsanalyse schon seit langer Zeit Einzug gehalten und steht dort gleichberechtigt neben dem ökonometrischen AverageParadigma.445 Gerade dem Marketingkonzept ist das Prinzip inhärent, dass der Schlüssel zum Unternehmenserfolg darin besteht, Kundenbedürfnisse (mindestens) so gut wie der beste Wettbewerber zu befriedigen. Daher erscheint nur eine Orientierung an der Marketing-Best-Practice sinnvoll.446 Als Essenz der bisherigen Ausführungen bleibt festzuhalten, dass die Regression als adäquates Verfahren zur Produktivitätsmessung im Marketing entfällt. Ziel der zu wählenden Methode muss in jedem Fall darin bestehen, eine Produktionsfunktion auf Basis der besten Einheiten zu ermitteln. Daher kommen nur Verfahren zur Schätzung von Frontierfunktionen – also DFA, SFA, DEA und FDH - als Alternativenmenge in Betracht. Entsprechend der in diesem Kapitel bisher erarbeiteten Erkenntnisse wird deutlich, dass sich im Marketing eine Effizienzbestimmung auf Basis nicht parametrischer Randfunktionen als klar überlegen erweist, da sich diese aufgrund der geringsten axiomatischen Restriktionen am flexibelsten an die empirischen Gegebenheiten komplexer Problemfelder anpassen. Außerdem erlauben sie aufgrund der separaten Optimierung für jede Einheit Aussagen auf Individualebene, „…thus allowing a better fit to each observation and a better basis for identifying sources of inef-
442 443 444
445
446
Doyle/Green (1994), S. 61. Vgl. Hunt (1990), S. 2 f.; Kuhn (1970), S. 111-116. Vgl. den Bücher-Review zur DEA als „managment science tool“ von Luo (2004) sowie Luo/Donthu (2005); Zhu (2003). Vgl. die Lehrbücher von Coelli et al. (2005); Färe (1988); Färe/Grosskopf/Lovell (1985); Sengupta (2000). Vgl. Parsons (1994), S. 189 f.; Shoham/Fiegenbaum (1999), S. 446.
138 ficiency for each unit.“447 Bestünde das Ziel hingegen darin, das „Produktionsverhalten“ einer ganzen Branche bzw. des Marketing einer Gruppe von Filialen oder Unternehmen zu verstehen, wäre die SFA geeigneter, da sie eine Gesamtoptimierung über alle Beobachtungen vornimmt, um die Ineffizienz zu schätzen. In dieser Arbeit besteht das Ziel darin, spezifische Ineffizienzen jeder einzelnen Marketingeinheit aufzudecken und zu eliminieren. Die genannten Punkte legen eine Fokussierung auf die Gruppe nicht parametrischer Techniken nahe. Die SFA wird beim zusammenfassenden Methodenvergleich dennoch einbezogen, da sie die methodische Besonderheit einer Berücksichtigung stochastischer Einflüsse aufweist. Die Vor- und Nachteile der drei verbleibenden Methoden SFA, DEA und FDH werden nun abgewogen, um letztlich eine Entscheidung für das adäquate Verfahren im Marketing zu treffen. Dies muss dabei vor dem Hintergrund der spezifischen Anforderungen im Marketingbereich geschehen, die in Abschnitt B-1.3 herausgearbeitet wurden. In der folgenden Tabelle wird abgeprüft, inwieweit die drei Verfahren diese Anforderungen erfüllen. Marketinganforderung
DEA
FDH
SFA
Ganzheitliche Abbildung der Leistungsprozesse
Ja, Handhabbarkeit multipler Inputs und Outputs durch Aggregation zu virtuellem Input und Output auf Basis endogener Verknüpfungsfunktionen
Ja (Begründung wie bei DEA)
Nein, nur eine abhängige Variable möglich
Kundenorientierung (d.h. bei nachfragerorientierten Analysen Integrierbarkeit aller entscheidungsrelevanten Kriterien)
Ja, simultane Integration multipler Inputs und Outputs
Ja (Begründung wie bei DEA)
Nein, nur eine abhängige Variable möglich
Wettbewerbsorientierung (im weiteren Sinne Relativierung der Bewertung an Alternativen)
Ja, Ausweis der relativen Effizienz durch Vergleich mit Referenzeinheiten
Ja (Begründung wie bei DEA)
Ja (Begründung wie bei DEA)
Basiert die Referenzfunktion nur auf Best-PracticeBeobachtungen?
Ja, nur Realisationen mit maximaler relativer Effizienz bilden die Referenzfunktion (keine positiven Abweichungen möglich)
Ja (Begründung wie bei DEA)
Nein, statistische Schätzung der Randfunktion über alle Einheiten; diese zeigt theoretische und keine praktizierte effiziente Technologie an
Berücksichtigung von Differenzierungsmöglichkeiten, d.h. Zulassen mehrerer erfolgreicher Strategien der Input-Output-Transformation
Ja, keine A-Priori-Vorgabe fixer Gewichtungsvektoren und Funktionstypen; endogene (flexible) Gewichtung der Parameter und Berücksichtigung unterschiedlicher Skalenniveaus
Ja (Begründung wie bei DEA)
Nein, da exogene Fixierung des Funktionstyps notwendig mit einheitlichen Gewichten
Analysen auf Individualebene möglich?
Ja, jede Einheit stellt eigenes Optimierungsproblem dar, d.h. jede Einheit wird mit allen anderen im Referenzset verglichen (iteratives Vorgehen im Rahmen linearer Programmierung)
Ja (Begründung wie bei DEA)
Nein, es werden Gewichte einer durchschnittlichen Einheit bestimmt, die für alle Einheiten identisch gelten
447
Chilingerian/Sherman (2004), S. 490.
139 Vergleichbarkeit von untersuchter Marketingeinheit und Benchmark(s)
Ja, Auswahl individueller Benchmarks mit ähnlichem Input- bzw. Output-Mix durch radiale Abstandsmessung (Wahl der nächstgelegenen Benchmarks)
Ja (Begründung wie bei DEA)
Nein, Referenzfunktion basiert auf Daten aller Beobachtungen
Quantifizierung der Benchmarking-Ergebnisse und der Handlungsempfehlungen
Ja, die Koordinaten der Referenzeinheiten werden explizit angegeben; durch Verwendung eines radialen Effizienzmaßes werden Verbesserungspotenziale bzgl. jedes Parameters prozentual angegeben
Ja (Begründung wie bei DEA)
Ja (Begründung wie bei DEA)
Ausweis realer (diskreter) Benchmarks
Nein, da Konvexkombinationen zulässig sind
Ja, wegen Aufgabe des Konvexitätspostulats
Nein (Begründung wie bei DEA)
Ausschöpfung sämtlicher Verbesserungspotenziale für als effizient ausgewiesene Einheiten
Bedingt, nur in slack-erweiterten Modellen Ausweis von ParetoKoopmans-Effizienz
Nein, auch dominierte Einheiten können als effizient ausgewiesen werden
Ja, Ausweis von Pareto-KoopmansEffizienz
Trennung von operativen (technischen) und „strategischen“ (größenbedingten) Ineffizienzen?
Ja, wegen Modellierbarkeit unterschiedlicher Skalenertragsannahmen
Ja (Begründung wie bei DEA)
Ja (Begründung wie bei DEA)
Hohe Flexibilität bzgl. Daten (d.h. keine einheitlich gemessenen Inputs und Outputs und keine Preise erforderlich)?
Ja
Ja
Ja
Realitätsnähe, Umsetzbarkeit, Akzeptanz der Ergebnisse
Ja, Bestimmung empirischer statt theoretisch-hypothetischer Randfunktion
Ja (Begründung wie bei DEA)
Nein, Vorgabe der Funktionsform erfordert Annahmen über den richtigen (jedoch unbekannten) Input-OutputZusammenhang
Eindeutigkeit der Lösung
Ja, Ausweis genau eines Referenzpunktes durch Zulassen von Konvexkombinationen von Efficient Peers
Nein, aufgrund Ganzzahligkeitsrestriktion können mehrere Referenzpunkte ausgewiesen werden
Nein, Ausweis einer Verteilung von Benchmarks statt eines Punktes
Ausreichende Diskriminierbarkeit der Einheiten
Bedingt, relativ viele Einheiten effizient (jedoch viel weniger als mit FDH)
Nein, sehr viele Einheiten effizient
Ja, sehr wenige Einheiten effizient (deutlich weniger als mit DEA)
Berücksichtigung von stochastischen Einflüssen
Nein, da deterministisches Verfahren
Nein (Begründung wie bei DEA)
Ja, durch Zerlegung der Abweichung in Ineffizienz- und Zufallsabweichung
Tabelle 13: Vergleich von DEA, FDH und SFA
Als die zentralen Unterschiede der Verfahren lassen sich folgende festhalten: Die SFA basiert auf einer vorgegebenen Struktur, da der funktionale Zusammenhang zwischen den Input- und Outputfaktoren und damit die Verteilungseigenschaften vor-
140 ab spezifiziert werden. Bei ökonometrischen Modellen wie der SFA werden stochastische Einflüsse explizit berücksichtigt, was die Ermittlung von Messfehlern erlaubt. Somit erfordern ökonometrische Modelle Annahmen sowohl über die Verteilung der Zufallsfehler als auch über die der Ineffizienzwerte. Hierdurch wird die Flexibilität des Modells erheblich eingeschränkt. Dies birgt die Gefahr in sich, durch die Vorgabe unverhältnismäßig restriktiver Funktionsverläufe nachteilige Effizienzbewertungen zu erhalten.448 Bei der DEA und der FDH handelt es sich hingegen um mathematische Programmierungsmodelle, welche den großen Vorteil aufweisen, dass der Funktionsverlauf der Referenzfunktion a priori nicht festgelegt werden muss.449 Dies erscheint besonders in komplexen Situationen sehr vorteilhaft, in denen Anhaltspunkte über den tatsächlichen Zusammenhang zwischen den Input- und Outputfaktoren fehlen.450 Gerade in Wirkungsprozessen des Marketing, deren Outputs meist nicht real, sondern intangibler Natur sind, ist in der Regel nicht von bekannten, formal definierten Beziehungen zwischen Inputs und Outputs auszugehen. Für diese Flexibilität wird im Gegenzug in Kauf genommen, dass die Berücksichtigung stochastischer Einflüsse nicht möglich ist. Dies stellt höhere Anforderungen an die Validierung der Ergebnisse, da statistische Tests nicht anwendbar sind.451 Daneben weisen die nicht parametrischen Modelle den Nachteil eines erheblichen Rechenaufwandes auf, da beispielsweise der DEA-Effizienzwert für jede Entscheidungseinheit durch ein lineares Programm einzeln ermittelt werden muss. Dieses Problem ist aufgrund der Verfügbarkeit von EDV-Software weitgehend irrelevant geworden. Die Entscheidung zwischen der Anwendung eines mathematischen Programmierungsmodells wie der DEA und der FDH oder eines ökonometrischen Verfahrens wie der SFA kann daher als eine Entscheidung zwischen Flexibilität und Struktur verstanden werden.452 Bei Zugrundelegung eines ökonometrischen Modells kann mit besseren Ergebnissen gerechnet werden, sofern der funktionale Zusammenhang zwischen den Input- und Outputfaktoren richtig antizipiert wurde.453 Da aber der wahre, theoretisch richtige Produktionszusammenhang in aller Regel und v.a. im Marketing nicht bekannt ist, ist hier eine wesentliche Voraussetzung für die Anwendung parametrischer Verfahren nicht gegeben. Daher ist im Marketing zur Sicherstellung einer aussagekräftigen und realistischen Effizienzbewertung ein Verfahren aus der Gruppe der parametrischen Verfahren zu wählen. Da die Zusammenfassung aller Vor- und Nachteile von DEA und FDH zeigt, dass die DEA die Marketinganforderun448 449 450 451 452 453
Vgl. Bauer (2002), S. 148. Vgl. Bauer (1990), S. 39. Vgl. Schefczyk (1994), S. 151; Triantis (2004), S. 405. Vgl. Schefczyk (1994), S. 188. Vgl. Bauer (2002), S. 148 f. Vgl. Bauer (1990), S. 40.
141 gen besser erfüllt als die FDH, ergibt sich die DEA als die im Marketing zu präferierende Methode der Effizienzmessung. Aufgrund der Nähe zur DEA und basierend auf der Idee eines methodischen Pluralismus wird die FDH in der empirischen Studie zur Vertriebseffizienz (vgl. Teil E) jedoch als Alternativmodell zur DEA „getestet“. Daher folgt nach der formalen Darstellung der DEA-Modelle im nächsten Kapitel auch ein Exkurs zur formalen Beschreibung der FDH. Im folgenden Kapitel werden die verschiedenen DEA-Grundmodelle sowie deren Erweiterungen formal beschrieben und hergeleitet, bevor dann das Anwendungspotenzial der Methode im Marketing eingehend betrachtet wird.
143
D
Die Data Envelopment Analysis als Methode zur Analyse der relativen Marketingeffizienz
1.
Die Methodik der DEA
1.1.
Entwicklung, Annahmen und Marketingrelevanz der DEA
Die von Charnes/Cooper/Rhodes entwickelte DEA hat ihr Fundament in der Produktionstheorie und wurde wesentlich von den Arbeiten von Farrell und Shephard geprägt.454 Wie bereits im Überblickskapitel erwähnt, stellt die DEA eine Methode der mathematischen Programmierung dar. Da es sich nicht um eine statistische Methode handelt, erlaubt sie, eine empirische Randproduktionsfunktion ohne vorherige Kenntnis des funktionalen Input-Output-Zusammenhangs allein auf Basis der tatsächlich realisierten Input- und Outputkombinationen beobachteter Decision Making Units (DMUs) zu bilden. Diese Bezeichnung geht auf Charnes/Cooper/Rhodes zurück und drückt aus, dass eine DEA für alle Analyseobjekte im privaten und öffentlichen Sektor durchführbar ist, die Entscheidungen bzgl. des Einsatzes von Inputs und Outputs treffen. Der Begriff beschränkt sich dabei nicht allein auf Organisationen bzw. Organisationseinheiten, die selbst Entscheidungen über den Einsatz von Inputs und Outputs treffen, sondern auch auf alle Arten von sachlichen Objekten, auf die sich solche Entscheidungen beziehen und die als Input-Output-Strukturen beschrieben werden können. Die Identifizierung der effizienten DMUs erfolgt, indem jede in die Untersuchung einfließende Entscheidungseinheit mit jeder anderen verglichen wird. Jede Einheit stellt ein eigenes Optimierungsproblem dar, wodurch Informationen zur relativen Performance jeder einzelnen DMU und nicht einer fiktiven durchschnittlichen DMU gewonnen werden.455 Der Vergleich der Untersuchungseinheiten kann bei der DEA über alle relevanten Input- und Outputfaktoren stattfinden, wodurch eine sinnvolle Effizienzbewertung in praktischen Situationen möglich wird, die durch mehrere Inputs und mehrere Outputs gekennzeichnet sind. Diese müssen zwar quantifizierbar (messbar) sein, die DEAModelle sind jedoch – mit Ausnahme der additiven Modelle, die hier nicht betrachtet werden - skaleninvariant. Dies resultiert aus der Verwendung eines äquiproportionalen Effizienzmaßes, mittels dessen für jede DMU eine relative Effizienz als prozentualer Anteil der maximal möglichen Performance ausgewiesen wird. Es erfolgt keine Interpretation der Effizienzwerte in absoluten Maßeinheiten. Insbesondere ist zu betonen, dass die Inputs und Outputs nicht in Geldeinheiten angegeben werden müssen.
454 455
Vgl. Farrell (1957); Shephard (1953). Vgl. Charnes/Cooper/Rhodes (1978); Golany et al. (1990), S. 95.
144 Der besondere Vorteil der DEA-Methodik liegt in der Transformation aller Input- und Outputwerte in ein skalares Performancemaß in Form eines Effizienz-Scores für die jeweiligen DMUs. Aufgrund der nicht parametrischen Vorgehensweise werden die Gewichtungen, anhand derer die Inputs und Outputs bewertet und aggregiert werden, für jede DMU individuell berechnet. Auf diese Weise werden die Stärken und Schwächen jeder Einheit bei der Effizienzbewertung bestmöglich widergespiegelt. Mit der Methode wird nicht versucht, eine übergreifende Optimierung der Gewichte für die Menge aller Beobachtungen vorzunehmen und eine statistische Produktionsfunktion zu bestimmen. Dieses Prinzip ermöglicht es, den aktuellen Effizienzwert einer DMU so „wohlwollend“ wie möglich auszuweisen, d.h. zu maximieren.456 Relativ effizient sind dann jene Einheiten, deren maximales Verhältnis aus gewichteten Outputs und gewichteten Inputs von keiner anderen Einheit dominiert wird.457 Diese Elemente weisen einen Effizienzwert von 1 auf. Sie sind also im Vergleich zu allen anderen Einheiten zu 100% effizient und bilden als Efficient Peers die Produktionsgrenze. Jeder dominierten Untersuchungseinheit wird aus dieser Gruppe eine auf die spezifische Input-Output-Struktur zugeschnittene Referenzeinheit gegenübergestellt. Der Abstand zum Referenzpunkt drückt dann den Grad der Ineffizienz aus. Für die Identifikation der Randproduktionsfunktion, deren Verlauf a priori unbekannt ist, sind lediglich die im Folgenden beschriebenen Annahmen notwendig. Wie bereits dargelegt wurde, kommen nicht parametrische Methoden und speziell die DEA mit nur wenigen, schwachen Annahmen aus, die intuitiv einsichtig sind und ökonomischen Modellen üblicherweise zu Grunde liegen. Die Produktionsfunktion wird dann lediglich unter Berücksichtigung dieser Technologieannahmen allein auf Basis der empirischen Daten bestimmt. Im Rahmen der DEA werden folgende Eigenschaften der Referenztechnologie unterstellt. Ist X die Matrix der beobachteten Inputs und Y die Matrix beobachteter Outputs, dann wird der Raum der Produktionsmöglichkeiten (Technologie Τ ) beschrieben als:
Τ = {( X ,Y ) | Y ≥ 0 kann erstellt werden aus X ≥ 0}, der wie folgt spezifiziert ist:458
Kein Output ohne Input. Zur Erzeugung von Output bedarf es eines Inputeinsatzes, wodurch die Existenz eines „Schlaraffenlandes“ ausgeschlossen wird. Das Nichtstun stellt die einzige zulässige Produktion ohne Input dar. Die Technologiemenge muss außerdem Aktivitäten mit positivem Output enthalten. Nicht-Sättigungsannahme: Jeder Output ist zu maximieren, d.h. je mehr, desto besser. Jeder Input ist zu minimieren, d.h. je weniger, desto besser.459 456 457 458 459
Vgl. Charnes/Cooper/Rhodes (1978), S. 430. Vgl. Charnes et al. (1997a), S. 6. Vgl. Banker/Charnes/Cooper (1984), S. 1081; Färe/Grosskopf/Lovell (1985), S. 45 ff. Vgl. Scheel (2000), S. 18.
145 Konvexität: Wenn gilt ( X j ,Y j ) ∈ Τ , j = 1,..., n und alle λ j ≥ 0 sind nicht negative Skalare, dann gilt auch ( ¦ λ j X j , ¦ λ jY j ) ∈ Τ . Diese Annahme besagt, dass alle durch die j
j
Verbindung mehrerer realer Entscheidungseinheiten entstehenden Input-OutputKombinationen selbst als (virtuelle) Entscheidungseinheiten zur Technologiemenge gehören. Durch die Annahmen wird festgelegt, dass für die Bestimmung der Effizienz auch hypothetische Referenzeinheiten in Frage kommen.460 Freie Verschwendbarkeit (Starke Disposabilität): Falls ( X ,Y ) ∈ Τ und X ' ≥ X , dann gilt ( X ' ,Y ) ∈ Τ . Falls ( X ,Y ) ∈ Τ und Y ' ≤ Y , dann gilt ( X ,Y ' ) ∈ Τ . Ineffiziente Produktionen, die sich durch höhere Inputs und/oder geringere Outputs auszeichnen, gehören stets zur Technologiemenge. Diese Bedingung besagt außerdem, dass bei einer Erhöhung der Inputs bzw. Verringerung der Outputs das Outputniveau nicht sinken bzw. der Inputeinsatz nicht steigen darf.461 Konstante Skalenerträge: Falls ( X ,Y ) ∈ Τ , dann gilt (λX , λY ) ∈ Τ für alle λ > 0 . Bei gleichbleibendem Effizienzniveau führt eine Steigerung bzw. Senkung der Inputs zu einer proportionalen Steigerung bzw. Senkung des Outputs. Diese Annahme wird jedoch durch die Weiterentwicklung der DEA zu Modellen mit variablen Skalenerträgen abgeschwächt.462 Abgeschlossenheit und empirische Vollständigkeit: Τ ist die Schnittmenge aller Τ ' , welche die vorhergehenden Annahmen erfüllen, und für die gilt, dass sie alle Beobachtungen enthält, d.h. ( X ,Y ) ∈ Τ ist. Es werden also alle Datenpunkte eingehüllt. Diese wenigen Annahmen stellen geringste axiomatischen Anforderungen an die Konstruktion des effizienten Randes und erlauben eine flexible Anpassung der Randfunktion an das empirisch beobachtete Produktionsverhalten. Die DEA ist generell zur Messung der Effizienz jeder Entscheidungseinheit geeignet, die multiple Inputs einsetzt, um multiple Outputs zu produzieren. Dennoch beschränkte sich ihr Einsatz zunächst im Wesentlichen auf makroökonomische Anwendungsbereiche (d.h. ganze Branchen, Industriezweige, Länder), Institutionen des Non-Profit-Sektors (Krankenhäuser, Verwaltungsbehörden, Militäreinrichtungen, Bildungseinrichtungen etc.) bzw. bei einzelwirtschaftlichen Untersuchungen auf den Produktionsbereich. Die große Verbreitung der DEA im öffentlichen Bereich ist durch die Tatsache erklärbar, dass hier durch das Fehlen eines Marktmechanismus’ eine effiziente Ressourcenallokation nicht „automatisch“ (durch die invisible hand des Wettbewerbs) sichergestellt werden kann. Gerade hier ist es besonders nützlich, ein 460 461 462
Vgl. Deprins/Simar/Tulkens (1984), S. 248. Vgl. Banker/Charnes/Cooper (1984). Vgl. Schefczyk (1994), S. 159.
146 Effizienzbenchmarking einzusetzen, welches dann als Wettbewerbssurrogat fungiert.463 Durch die Vorgabe der Leistungen ähnlicher Institutionen, die sich durch effiziente Ressourcenverwendung auszeichnen, kann dann ebenso eine disziplinierende Wirkung erreicht werden. Bei öffentlichen Unternehmen ist zudem eine monetäre Quantifizierung der Outputs schwer möglich, da die Leistungen unentgeltlich oder zumindest nicht gegen Marktpreise im Sinne von Knappheitspreisen erbracht werden. Hier erweist sich die DEA als eine geeignete Lösung, da nicht monetäre Größen problemlos integriert werden können. Erst später hielt die DEA auch zur Effizienzmessung innerhalb privater Unternehmen Einzug. Eine Übertragung der Methode auf den Marketingbereich hat bisher nur in ersten Ansätzen stattgefunden, wobei eine zunehmende Beachtung der DEA sowohl in der Marketingforschung464 als auch in der Marketingpraxis465 festzustellen ist. Die Tatsache, dass die DEA im Vergleich zu anderen, zum Teil weniger leistungsfähigen Verfahren der Marketingforschung bisher unterrepräsentiert ist, dürfte u. a. durch die produktionsökonomische Herkunft der DEA begründet sein. So erscheinen Begriffe wie Produktionsprozess oder Produktionsfunktion, die in einem engen Verständnis eher technische Größen implizieren, im Marketingkontext auf den ersten Blick ungewöhnlich.466 Legt man jedoch den im Rahmen dieser Arbeit verwendeten generischen Produktionsbegriff einer Allgemeinen Produktionstheorie zu Grunde, so zeigt sich, dass das Marketing ebenso wie der Fertigungsbereich ein Input-Output-System darstellt. Dieses produziert ebenso durch den Einsatz von Inputs (wie etwa Werbe- und Promotionaufwendungen, Außendienstbesuche etc.) Outputs für das Unternehmen i. S. angestrebter tangibler oder intangibler Ergebniswirkungen im Markt (Umsätze, Kundenzufriedenheit, Markenbekanntheit etc.). Überträgt man also die produktionstheoretische Logik auf den Marketingbereich, so können die DMUs einer disaggregierten Effizienzanalyse aus allen Bereichen des Marketing-Mix stammen. Neben den Marketinginstrumenten kann auf einer aggregierten Ebene, wie in B-3.2.1 beschrieben, auch die Marketingfunktion bzw. die Marketingorganisation als Ganzes untersucht werden.
463 464 465
466
Vgl. Baum/Przybilla (2003), S. 219 ff. Vgl. Backhaus/Wilken (2003), S. 3; Donthu/Hershberger/Osmonbekov (2005); Luo (2004). Vgl. Norton (1994). So lässt der Einsatz der DEA durch große Unternehmen wie British Airways, Citibank oder Pizza Hut zur Analyse der Effizienz ihrer operativen Prozesse eine zukünftig häufigere Verwendung in der Praxis erwarten. Als weiterer Indikator für die zunehmende Beachtung der DEA in der Praxis sei die Tatsache genannt, dass der Autor dieser Schrift die DEA in den letzten beiden Jahren bereits in drei Kooperationsprojekten mit Unternehmen aus der Konsumgüterund Pharmabranche erfolgreich eingesetzt haben. Die DEA diente dabei als Basis für die Entwicklung eines Controllingsystems zur Analyse und Steuerung der Vertriebs-, Promotion- und Werbeeffizienz. Vgl. Backhaus/Wilken (2003), S. 3.
147 Anwendungsobjekte
Land
Untersuchungen
Makroökonomische Anwendungsfelder Bankensektor verschiedener wirtschaftlich starker Nationen
Skandinavien Westeuropa und USA
Berg et al. (1993); Bukh/Berg/Forsund (1995)
Handelssektor
Großbritannien
Athanassopoulos/Ballantine (1995)
Pastor/Perez/Queseda (1997)
Non-Profit-Unternehmen, öffentliche Behörden Arbeitsämter
Deutschland
Mosley/Schütz/Schmid (2003)
Energieversorgungsunternehmen
USA Griechenland Schweden und Australien
Charnes et al. (1989) Miliotis (1992)
Finanzämter
Großbritannien
Dyson/Thanassoulis (1988)
Gerichte
Deutschland Norwegen USA
Schneider (2004). Kittelsen/Forsund (1992) Lewin/Morey/Cook (1982)
Krankenhäuser, Ärzte
USA Großbritannien Jordanien
Zhang/Bartels (1998)
Deutschland
Byrnes/Valdmins (1997) Thanassoulis/Boussofiane/Dyson (1995) Al-Shammari (1999) Staat (2000); Staat (2003); Staat/Hammerschmidt (2000)
Polizeistationen, Polizeitruppen Militär
Großbritannien USA
Cubbin/Tzanidakis (1998); Thanassoulis (1995) Charnes et al. (1985)
Staatliche Sparkassen
Spanien Deutschland USA
Grifell-Tatje/Lovell (1997) Westermann/Pröll/Cantner (1996) Deprins/Simar/Tulkens (1984)
USA Großbritannien
Charnes/Cooper/Rhodes (1981); Noulas/Ketkar (1998) Thanassoulis (1996); Thanassoulis/Dunstan (1994)
Bibliotheken
Deutschland
Reichmann/Sommersguter-Reichmann (2004)
Stadtverwaltungen
Belgien Großbritannien Deutschland
De Borger et al. (1994b); De Borger/Kerstens (1996) Nyhan/Martin (1999); Nyhan/Marlowe (1995) Baum/Przybilla (2003)
Staatliche Fluggesellschaften
Deutschland Lateinamerika
Schefczyk (1993) Charnes/Gallegos/Hongyu (1996)
Universitätslehrstühle Wirtschaftswissenschaftliche Fachbereiche
Großbritannien
Beasley (1990)
Deutschland
Backes-Gellner/Zanders (1989)
Postämter Schulen
Produktions-/Fertigungsprozesse privater Unternehmen Brauereien
USA
Gießereien
Deutschland
Lewin/Day (1995) Schefczyk (1994)
Luftfahrtunternehmen
USA
Banker/Johnston (1997)
Maschinenbaufirmen
Deutschland
Bernard/Cantner/Westermann (1993)
Tabelle 14: Klassische DEA-Anwendungsbereiche und ausgewählte Studien 467
Im nächsten Kapitel erfolgt eine Bestandsaufnahme der DEA-Anwendungen im Marketing. Auf Basis identifizierter Forschungslücken soll das Potenzial der DEA zur Un467
Vgl. auch Tavares (2002) für die derzeit umfassendste Bibliografie von Arbeiten zur DEA mit über 1.500 Quellen, von denen etwa die Hälfte Anwendungen sind.
148 terstützung von Marketingentscheidungen anhand dreier eigener Untersuchungen demonstriert werden. Zuvor erfolgen die formale Darstellung der am weitesten verbreiteten DEA-Modelle, des FDH-Modells, die Darstellung der zentralen Beschränkungen dieser Modelle sowie der daran ansetzenden Weiterentwicklungen.
1.2.
Das DEA-Grundmodell mit konstanten Skalenerträgen
1.2.1.
Formale Herleitung
Die Berechnung der Effizienzkennzahl erfolgt durch die Maximierung des Quotienten aus der Summe der gewichteten Outputs (sog. aggregierter Output) und der Summe der gewichteten Inputs (aggregierter Input). Die lässt sich formal wie folgt darstellen:468 s
max h0 = ur 0 ,v i 0
¦ ur 0 y r 0
r =1 m
¦ v i 0 xi 0
i =1
s
(9)
u.d.N. h j =
¦ ur 0 y rj
r =1 m
≤ 1,
∀j = 1,...,n,
¦ v i 0 xij
i =1
ur 0 ≥ 0;v i 0 ≥ 0; r = 1,...,s; i = 1,...,m.
In die Bestimmung des Effizienzwertes der zu bewertenden Einheit (DMU0) fließen s mit ur gewichtete Outputs y r ( r = 1,..., s ) und m mit v i gewichtete Inputs x i ( i = 1,..., m ) ein. Ausdruck (9) verdeutlicht das entscheidende Charakteristikum der DEA, das darin besteht, eine Vielzahl möglicherweise heterogener Input- und Outputfaktoren zu aggregieren und daraus eine einzige Effizienzkennzahl h0 zu bestimmen. Hierzu müssen keine A-Priori-Vorgaben über die Gewichtung der Faktoren vorgenommen werden. Stattdessen sind die Gewichte ur und v i flexibel und werden endogen, d.h. als Lösung des Programms, bestimmt. Sie werden dabei für jede DMU so festgelegt, dass deren Effizienzwert maximiert wird. Grafisch bedeutet das Zulassen der für eine DMU bestmöglichen Gewichtungen nichts anderes, als den Abstand zum Rand zu minimieren. Für die Bestimmung des Effizienzwertes werden daher die Gewichte verwendet, die eine DMU selbst wählen würde, um sich im besten Licht erscheinen zu lassen. Diese Best-Case-Philosophie sichert die Ergebnisse gegen das Argument ab, die ermittelte Ineffizienz sei lediglich durch subjektive, ungünstige Gewichtungen der Parameter oder durch Verwendung falscher Benchmarks begrün468
Vgl. Charnes/Cooper/Rhodes (1978), S. 430.
149 det. Es wird nur die sicher nachweisbare Ineffizienz bestimmt, weshalb der durch die DEA berechnete Effizienzwert als obere Grenze zu interpretieren ist. Der auf diese Weise gebildete Effizienzwert wird mit denen jeder anderen DMU j ( j = 1,..., n ) unter der Nebenbedingung verglichen, dass keine Einheit mit den für DMU0 optimalen Gewichten einen Effizienzwert von größer als 1 erreicht. Damit wird der Effizienzwert auf 1 normiert. Alle DMUs, denen es gelingt, über diesen Ansatz den maximalen Effizienzwert von 1 zu erhalten, werden als relativ effizient bezeichnet. Eine Entscheidungseinheit wird erst dann als ineffizient bewertet, wenn sie bei jeder denkbaren Gewichtungskombination von einer anderen Realisation oder einer Kombination von Realisationen dominiert wird. Für solche DMUs lässt sich kein Gewichtungsvektor finden, der diese Einheit relativ effizient werden lässt. Alle ineffizienten Einheiten weisen deshalb im inputorientierten Fall einen Effizienzwert von kleiner 1 auf. Das in (9) angegebene fraktionale Maximierungsproblem wird für alle in die Analyse einbezogenen DMUs durchlaufen, weshalb die Zahl der Optimierungsprobleme der Anzahl der DMUs entspricht.469 In (9) besteht das Problem, dass sowohl die Zielfunktion als auch die Nebenbedingungen jeweils ein Quotient zweier linearer Aggregationen sind. Dies stellt somit ein Problem der sog. Quotientenprogrammierung bzw. ein fraktionales Programmierungsproblem dar, welches nicht ohne weiteres lösbar ist.470 Mit Hilfe der sog. Charnes-Cooper-Transformation kann (9) jedoch in ein lineares Programmierungsproblem (LP) überführt werden. Diese ist mit Hilfe der bekannten Methoden der linearen Optimierung lösbar.471 Die Transformation beinhaltet folgende Schritte: Unter der Annahme, dass alle Inputs x i und die zugehörigen Gewichte v i größer Null sind, können beide Seiten der NB m
von (9) mit dem Nenner der NB in Form des aggregierten Inputs ¦ v i 0 xij multipliziert i =1
werden, ohne die Aussage der NB zu verändern. Dadurch entsteht eine neue, lineare NB, die als NB 1 in (10) unten dargestellt ist. Weiterhin kann der aggregierte Input der Zielfunktion von (9) auf eins normiert werden, da eine Verhältniszahl invariant ist, wenn Zähler und Nenner mit derselben Zahl multipliziert werden. Diese Umformung wird durch die NB 2 in (10) ausgedrückt. Durch die Normierung des Inputs auf 1 ergibt sich für den Nenner der Zielfunktion (9) der Wert eins, weshalb die neue, lineare Form der Zielfunktion gleichbedeutend ist mit einer Maximierung des aggregierten Outputs. Die neue Zielfunktion ist in (10) dargestellt. Die Gewichte µ und ν in (10) entsprechen dabei den Gewichten u und v . Da die vorgenommene lineare Trans469 470 471
Vgl. Schefczyk (1994), S. 164. Vgl. Charnes et al. (1997a), S. 41 Vgl. Charnes/Cooper (1962), S. 181 ff.
150 formation reversibel ist, d.h. die optimale Lösung des Programms (9) unverändert lässt, sind die Werte der Gewichtungsfaktoren und die Zielfunktionswerte der optimalen Lösung in beiden Programmen identisch. Die beschriebene Linearisierung ergibt das nach seinen Autoren Charnes/Cooper/ Rhodes benannte sog. primale inputorientierte CCR-Modell: s
max h0 = ¦ µr 0 y r 0
µ ,ν r0
r =1
i0
s
m
r =1
i =1
u.d.N. ¦ µr 0 y rj − ¦ν i 0 xij ≤ 0,
∀j = 1,...,n,
(10) m
¦ν i 0 xi 0 = 1,
i =1
µr 0 ≥ 0;ν i 0 ≥ 0; r = 1,..., s; i = 1,..., m. Wie beschrieben, wird der Wert der Zielfunktion in Form der gewichteten Summe der Outputmengen gegen einen normierten Input maximiert. Wie NB 1 anzeigt, kann der aggregierte Output dabei maximal den Wert 1 annehmen, da die Differenz aus aggregiertem Output und Input höchstens Null betragen darf. Für eine effiziente Einheit nimmt der aggregierte Output somit den Wert 1 an, womit die NB den Wert 0 und die Zielfunktion einen Wert von 1 annimmt. Die berechneten Multiplikatoren können als Schattenpreise interpretiert werden, mit denen die Input- und Outputmengen zu multiplizieren sind. Die in NB 1 angegebene Differenz lässt sich dann als „Gewinn“ interpretieren.472 Da mit dem Programm (10) für jede DMU ein optimales System von Multiplikatoren (Preisen) für gegebene Input/Outputmengen bestimmt wird, wird das lineare Maximierungsproblem der DEA oft als multiplier form bezeichnet. Gelegentlich findet sich auch die Bezeichnung productivity form, die darauf hinweist, dass hier die klassische Produktivitätskennzahl bestimmt wird, die den maximal möglichen gewichteten Output für einen gegebenen Input bestimmt. Da die Bestimmung der Effizienzkennzahl durch einen Vergleich der DMU0 mit allen anderen Beobachtungen erfolgt, entspricht die Anzahl der Nebenbedingungen in (10) der Zahl der einbezogenen DMUs ( n ). Eine implizite Randfunktion wird hier jedoch noch nicht ermittelt. Da gemäß dem Dualitätssatz der linearen Programmierung zu jedem Maximierungsproblem auch ein duales Minimierungsproblem existiert, lässt sich das primale Pro-
472
Vgl. Allen (2002), S. 66 f.
151 gramm (10) entsprechend in ein duales Minimierungsproblem (duales CCR-Modell) umwandeln:473 min θ 0 Ȝj
n
u.d.N. ¦ λ j y rj ≥ y r 0 , j =1
∀r = 1,...,s,
(11) n
−ș0 xio + ¦ λ j xij ≤ 0, j =1
∀ i = 1,...,m,
λ j ≥ 0; j = 1,..., n. Wie Modell (11) zeigt, versucht die Zielfunktion, den gewichteten Input der betrachteten DMU proportional bis an die Effizienzgrenze zu reduzieren.474 Der InputEffizienzfaktor θ sagt dabei aus, dass eine Kombination aus mit λ j gewichteten effizienten Beobachtungen - eine virtuelle DMU - existiert, die mindestens den gleichen Output erzeugt wie DMU0 (vgl. NB 1) und dafür nur das θ -fache der Inputs von DMU0 benötigt, wobei θ von 0 bis 1 rangieren kann (vgl. NB 2). Die Skalenniveaufaktoren λ j - auch als duals bezeichnet - zeigen somit an, welche nächstgelegenen, effizienten Einheiten eine ineffiziente Einheit umhüllen und so das für seine Bewertung relevante Teilstück der Randproduktionsfunktion konstituieren. Da mit den λ j angegeben wird, welche effizienten Einheiten in welcher Weise linear kombiniert werden müssen, um die Randfunktion (implizit) zu bilden, findet sich für das duale Programm (11) auch die Bezeichnung envelopment form.475 Die Faktoren λ j geben für jede DMU an, mit welchen Anteilen die effizienten Beobachtungen in die (virtuelle) Referenz-DMU eingehen, mit der DMU0 verglichen wird. Dabei bilden jene Effi473 474
475
Vgl. Charnes/Cooper/Rhodes (1978). Beide linearen Programme gehören zum sog. inputorientierten CCR-Modell der DEA. Die Tatsache, dass es sich beim primalen Programm (3) um ein Maximierungsproblem handelt, darf daher nicht mit dem Begriff der Outputorientierung verwechselt werden. Inputorientierung liegt immer dann vor, wenn das Maximum des Effizienzwertes ș auf eins normiert wird und damit alle ineffizienten Einheiten einen ș-Wert von kleiner eins erhalten. Dadurch lässt sich die Ineffizienz in beiden Programmen immer in Inputeinheiten (im Sinne eines „zu viel an Inputs“) ausdrücken. Aus dem Komplement des Effizienzwertes kann so unmittelbar abgelesen werden, um wie viel Prozent alle Inputs proportional reduziert werden können. Da bei beiden linearen Programmen (3) und (4) der Effizienzwert auf den Wert 1 normiert ist, wie aus den NB erkennbar ist, handelt es sich bei beiden um inputorientierte Programme. Dieser Zusammenhang wird in der Literatur nicht immer klar. So sprechen einige Quellen vom inputorientierten Modell dann, wenn der aggregierte Input minimiert wird (Schefczyk 1996, S. 171). Dies gilt jedoch immer für eines der beiden linearen Programme. Die Unterscheidung „inputorientiert vs. outputorientiert“ entspricht also nicht der Unterscheidung „primal vs. dual“. Jedes inputorientierte und jedes outputorientierte DEA-Modell besteht sowohl aus einem primalen als auch einem dualen Programm. Vgl. Green/Doyle (1997), S. 67.
152 cient Peers mit λ > 0 das jeweilige Referenzset. Je näher der entsprechende Efficient Peer am Referenzpunkt liegt, desto höher fällt λ j aus, d.h. desto stärker geht j in die virtuelle DMU ein. Der Wert θ zeigt an, auf welches Niveau die Inputs unter Beibehaltung des aktuellen Outputniveaus proportional reduziert werden müssen, um diese auf die Randfunktion zu projizieren. Er gibt somit Auskunft über den Abstand einer Beobachtung von der Randfunktion. Beträgt der Wert 1, bedeutet dies, dass die Referenzeinheit 100% der Inputs von DMU0 benötigt, so dass kein Reduktionspotenzial besteht und DMU0 als effizient ausgewiesen wird. Ist der Faktor kleiner als 1, also z.B. 0,8, zeigt dies an, dass eine virtuelle DMU ermittelt werden kann, die den Output von DMU0 bei keinem Outputfaktor unterschreitet, aber dafür nur 80% von deren Inputs benötigt. Der von beiden Programmen ausgewiesene Zielfunktionswert entspricht dabei dem Komplement des in B-2.1.5 vorgestellten inputorientierten radialen Effizienzmaßes, welches den prozentualen Anteil angibt, auf den alle Inputquantitäten proportional reduziert werden könnten, wenn diese durch die entsprechende Einheit so effizient eingesetzt würden wie von der Referenzeinheit. Ein Effizienzscore von 80% impliziert einen Grad der Ineffizienz von ( 1 − θ ) = 20%. Diese Größe ist nun genau das oben vorgestellte inputorientierte radiale Effizienzmaß, welches den Prozentsatz angibt, um den alle Inputs gesenkt werden müssten, um effizient zu werden. Der Referenzpunkt, auf den eine ineffiziente Vergleichseinheit projiziert wird, weist für jeden Input i den Wert ș0 xio auf, der als Input-Zielwert interpretiert werden kann. Die Anzahl der NB entspricht im dualen Programm der Anzahl der Inputs und Outputs ( s + m ). Die für die Effizienzbewertung von DMU0 dargestellten linearen Programme müssen für alle n Untersuchungseinheiten gelöst werden. Es ist deutlich geworden, dass aufgrund der Dualität die optimalen Werte (Effizienzwerte) beider Programme identisch sind. Beide drücken den Anteil der aktuellen Inputeinsätze der DMU0 aus, der bei der Referenzeinheit ausreicht, um mindestens den Output von DMU0 zu produzieren. Die Bestimmung des Effizienzwertes erfolgt jedoch durch die beiden Programme auf unterschiedliche Weise, weshalb die ausgewiesenen Modellparameter jeweils eigenständige ökonomische Interpretationen anbieten, die zur Ableitung von Handlungsempfehlungen nützlich sind.476 Die marketingbezogenen Implikationen der DEA-Resultate beider Programme werden anhand der empirischen Anwendungen in Kapitel E-1 bis E-3 verdeutlicht. Das duale und primale outputorientierte CCR-Modell kann jeweils in Analogie zum entsprechenden inputorientierten Modell abgeleitet und interpretiert werden.477 Der 476 477
Vgl. Green/Doyle (1997), S. 67. Bei der Herleitung dieser beiden Modelle aus dem Quotientenprogramm (9) ist nun der virtuelle Output auf den Wert 1 zu normieren; vgl. Charnes et al. (1997a), S. 42. Bei einem outputorientier-
153 Zielfunktionswert φ0 gibt den Output-Effizienzwert der Vergleichseinheit an, den diese bei optimaler Bewertung unter Beibehaltung ihres Inputniveaus erreichen kann. Für eine effiziente Vergleichseinheit nimmt die Zielfunktion weiterhin den Wert 1, für eine ineffiziente Vergleichseinheit einen Wert größer als 1 an, es gilt nun also 1 ≤ φ0 < ∞ . Der Wert ( φ0 − 1 ) entspricht nun dem outputorientierten äquiproportionalen Effizienzmaß und drückt aus, um welchen Prozentsatz alle Outputs simultan zu erhöhen sind, um effizient zu werden. Da eine Outputmaximierung die andere Seite des ökonomischen Prinzips darstellt, wird auf eine formale Herleitung der outputorientierten Modelle hier verzichtet, da diese keine prinzipiellen Unterschiede zum inputorientierten Modell aufweist.
1.2.2.
Grafische Darstellung der Effizienzmessung mittels DEA im mehrdimensionalen Fall
Wie das CCR-Modell verwenden alle gängigen DEA-Modelle, die im Rahmen dieser Arbeit behandelt werden, radiale Effizienzmaße, um den Abstand einer Vergleichseinheit zum effizienten Rand zu messen (diese wurden ausführlich in Abschnitt B2.1.5 oben vorgestellt).478 Daher lassen sich, wie bereits anlässlich der Herleitung des CCR-Modells diskutiert, alle DEA-Modelle stets in input- und outputorientierte Modelle unterscheiden. Die Art der Orientierung ist vom Anwender vorher festzulegen und zu begründen. Radiale Effizienzmaße haben den Vorteil, dass ihre Werte unmittelbar die prozentualen Input- bzw. Output-Verbesserungspotenziale der betrachteten Vergleichseinheit anzeigen.479 Um die mathematischen Zusammenhänge der DEA anschaulich zu machen, wird die Berechnung dieser beiden Effizienzmaße im Rahmen des CCR-Modells anhand des Zahlenbeispiels gezeigt, welches auf den mehrdimensionalen Fall erweitert wird. Um die Bestimmung des inputorientierten radialen Effizienzmaßes zu zeigen, wird zunächst ein inputorientiertes Modell mit zwei Inputs, die auf Output 1 normiert sind, erläutert. Anschließend wird die Berechnung für den outputorientierten Fall gezeigt, indem zwei Outputs betrachtet werden, die auf Input 1 normiert sind. Die Normierung auf den Input bzw. Output entspricht der zu Grunde gelegten Annahme konstanter
478
479
ten Modell ist das Minimum des Effizienzwertes auf 1 normiert. Die Ineffizienz wird dann in Form der notwendigen simultanen Erhöhung aller Outputs angegeben und entspricht somit dem outputorientierten äquiproportionalen Effizienzmaß. Die Anwendung eines unorientierten äquiproportionalen Maßes sowie der additiven Effizienzmaße soll hier unterbleiben, da diese nur in spezifischen Modellerweiterungen (multiplikative Modelle, vgl. Charnes et al. 1982; additive Modelle, vgl. Charnes et al. 1985) betrachtet werden, deren theoretische und praktische Relevanz als gering einzustufen ist. Vgl. Scheel (2000), S. 89.
154 Skalenerträge, d.h. es wird immer betrachtet, wie viel Input (Output) pro eine Mengeneinheit Output (Input) benötigt (erbracht) wird. Vergleichseinheit (Vertriebsteams)
Input 1 (Besuchstouren *100)
Input 2 (abgegebene Incentives *100)
Output 1 (gewonnene Neukunden *10)
Output 2 (Umsatz mit Altkunden in Mio.)
A
4
15
10
7
B
2
12
7
3
C
10
3
10
13
D
8
4
12
26
E
12
6
12
30
F
3
14
15
4
G
5
12
16
14 10
H
9
10
17
I
6
10
19
10
J
9
18
21
28
K
14
19
21
17
Tabelle 15: Erweitertes Zahlengerüst für die fiktiven Marketingeinheiten
Anhand der Betrachtung zweier Inputs bzw. Outputs wird der Vorteil der flexiblen Gewichtung der Input- bzw. Outputgrößen unmittelbar ersichtlich. Im Falle nur eines Inputs und Outputs, wie er im vorigen Abschnitt betrachtet wurde, tritt kein Gewichtungsproblem auf, weshalb die Vorzüge der DEA bei der Ermittlung der Parametergewichte hier irrelevant waren, da jeder Parameter logischerweise mit 1 gewichtet wird. Im Fall zweier Inputs (vgl. Abbildung 16) repräsentiert nun jedes Teilstück der abschnittsweise linearen Randfunktion eine andere Gewichtung der Inputs, die sich in jeweils unterschiedlichen Steigungen der Isoquante ausdrücken. Auf diese Weise können Einheiten, die ganz unterschiedliche Input-Mixes einsetzen, effizient sein. Im Zahlenbeispiel ist das für vier Einheiten (C, D, F, I) der Fall. Wäre eine fixe Gewichtung dergestalt vorgegeben worden, dass Input 1 ein hohes und Input 2 ein niedriges Gewicht erhält, verliefe die Randfunktion linear (etwa wie die durch Punkt F verlaufende Strich-Punkt-Linie), wodurch die Einheiten C, D, I ineffizient werden würden. Für eine genau gegensätzliche Extrem-Gewichtung wäre nur Einheit C effizient. Wird beiden Inputs eine ähnliche Wichtigkeit beigemessen, läge nur Einheit I, die eine ausgewogene Input-Mischung aufweist, auf dem Rand. Durch die DEA werden hingegen alle denkbaren Gewichtungsmöglichkeiten zugelassen und bei der Konstruktion der Randfunktion berücksichtigt. Die unterschiedlichen Gewichte der Inputs, die durch das primale Programm ermittelt werden, sind als individuelle „Strategien“ der DMUs interpretierbar. Auf diese Weise wird der gerade im Marketing wichtigen Prämisse Rechnung getragen, dass mehrere Wege zum Erfolg existieren.
155
2 1,8
B
1,6 A Input 2 / Output 1
1,4 VB
1,2
Slack 1
K
F J
0,8
G
0,6
VH
H E
I
0,4
D C
0,2 0 0
0,2
0,4
0,6
0,8
1
1,2
1,4
1,6
Input 1 / Output 1
Abbildung 16: Inputorientierte Ermittlung der Effizienzwerte im Zwei-Input-Ein-Output-Fall
Alle Input-Output-Kombinationen auf und oberhalb der Randfunktion stellen die Menge an Produktionsmöglichkeiten dar. Die Best-Practice-Funktion, die sich hier als Isoquante darstellt, ergibt sich durch lineare Verknüpfung der nicht dominierten DMUs C, D, F und I, die relativ effizient sind.480 Diese DMUs haben einen Effizienzwert von 1, da keine andere DMU ein höheres Output-Input-Verhältnis in beiden Dimensionen aufweist. Sie sind somit Pareto-optimal. Die horizontale und vertikale Verlängerung der Funktion über ihre äußeren Punkte C und F hinaus kann als konservative Approximation ihres weiteren Verlaufs angesehen werden und spiegelt die Annahme der freien Verschwendbarkeit wider.481 Als Referenzmaßstab zur Ermittlung des Effizienzwertes einer DMU0 wird jene Einheit auf dem effizienten Rand herangezogen, die die Inputs im gleichen Verhältnis (d.h. mit denselben Gewichtungen) einsetzt wie DMU0 und somit strukturell identisch ist. So wird im Rahmen der DEA ausgeschlossen, dass z.B. die ineffiziente Einheit B in Abbildung 16 mit der effizienten Einheit C verglichen wird, da beide einen ganz unterschiedlichen Input-Output-Mix aufweisen. Aus der Menge potenzieller Benchmarks werden mittels DEA die „pas480
481
Die Vorgehensweise zur Bestimmung der Randfunktion ist grafisch maximal für Fälle mit 2 Inputs oder 2 Outputs darstellbar. Die Ausführungen gelten ohne Einschränkung auch für Fälle mit mehreren Inputs und mehreren Outputs. Der effiziente Rand ist dann allerdings eine Hyperebene, die nur noch analytisch in Form linearer Programme darstellbar ist. Vgl. Cooper/Seiford/Tone (2000), S. 7.
156 senden“ für die Effizienzbewertung ausgewählt. Somit ist der Einsatz der DEA v.a. dann empfehlenswert, wenn Marketingeinheiten - prinzipielle Vergleichbarkeit vorausgesetzt - unter unterschiedlichen Bedingungen arbeiten.482 Der Projektionspunkt auf dem Rand wird durch den Schnittpunkt eines aus dem Koordinatenursprung durch DMU0 führenden Fahrstrahls mit der Randfunktion bestimmt. Die Messung des Abstandes einer Vergleichseinheit auf einem Fahrstrahl verdeutlicht die Anwendung eines radialen Effizienzmaßes.483 Durch ein radiales Maß wird sichergestellt, dass die vorgeschlagenen Inputreduktionen proportional sind. Das Verhältnis der Inputs zueinander bleibt also unverändert, da dessen Festlegung Gegenstand strategischer Entscheidungen der DMU ist, die im Rahmen der DEA als vorgegeben betrachtet werden. Grafisch bedeutet dies, den nächstgelegenen Benchmark auf dem Rand auszuweisen, der somit am besten vergleichbar ist. Auf diese Weise wird sichergestellt, dass nicht „Äpfel mit Birnen“ verglichen werden. Referenzpunkt ist derjenige, der von Einheit ohne eine Veränderung der grundlegenden Strategie der Inputtransformation und somit am einfachsten erreicht werden kann. Wie in Abschnitt C-2.2.2.1 dargestellt, wird dieser Referenzpunkt entweder durch eine beobachtete oder eine konvex kombinierte virtuelle Referenzeinheit gebildet. Die Referenzeinheit setzt zur Produktion des gleichen Outputlevels bei beiden Inputs geringere Mengen ein.484 Das Zulassen von konvexen Kombinationen von Efficient Peers als Benchmarks schränkt die Realitätsnähe und Anwendbarkeit eines DEAModells kaum ein, da nur die nächstgelegenen effizienten DMUs zur Konstruktion herangezogen werden.485 Die DEA stellt einen quantitativen Algorithmus bereit, der die Bestimmung des adäquaten Benchmarks ohne Verwendung exogener Vorgaben oder Informationen durch den Anwender erlaubt. Dadurch wird vermieden, dass Einheiten miteinander verglichen werden, die strukturell nicht vergleichbar sind. Die Inputwerte der Referenztechnologie dienen als Zielvorgaben (Targets) für die ineffiziente Vergleichseinheit.486 Alle effizienten Beobachtungen bilden zunächst das potenzielle Referenzgruppe der ineffizienten DMU. Welche Einheiten dieser Gruppe für das Benchmarking der DMU0 in welchem Maße herangezogen werden, entscheidet sich über die Nähe einer effizienten Beobachtung zur DMU0, aus der sich die λ Gewichte ergeben. Abbildung 16 verdeutlicht die Ausführungen zum dualen Programm. Sie zeigt, durch welche Beobachtungen das für eine ineffiziente DMU relevante Teilstück der Umhüllenden aufgespannt wird. Für H sind dies die Einheiten D 482 483
484 485 486
Vgl. Boles/Donthu/Lohtia (1995). Vgl. Allen (2002), S. 51; Cantner/Hanusch (1998), S. 230. Diese Aussage bezieht sich auf den Fall mehrerer Inputs. Vgl. Charnes et al. (1997a), S. 6. Vgl. Bauer/Staat/Hammerschmidt (2000), S. 14. Vgl. Allen (2002), S. 50.
157 und I, die den virtuellen Benchmark VH bilden. Mit welchem Anteil diese in den Benchmark eingehen, lässt sich unmittelbar aus dessen Lage auf dem Teilstück zwischen D und I ablesen. Aus Abbildung 16 ergeben sich diese mit λD = 0,3 und λI = 0,7. Der Wert für λI ist höher, weil I deutlich näher an VH liegt (ähnlicher zu H ist) als D. Der inputorientierte Effizienzwert für H bestimmt sich grafisch durch das Streckenverhältnis 0VH / 0H , welches in etwa 0,8 beträgt. Für E liegt auf dem Schnittpunkt des Fahrstrahls mit dem Rand hingegen eine echte Realisation (Einheit D), deren Konzept von E direkt zu imitieren wäre. Die Effizienzmessung anhand eines Vergleiches mit einer Referenz-DMU erlaubt es, nicht nur das Ausmaß der Ineffizienz durch Bestimmung des Abstandes zum Rand zu erkennen, sondern auch deren Quellen in Form der Verbesserungsmöglichkeiten bei jedem Input und Output zu bestimmen. Dabei zeigen die DEA-Ergebnisse tatsächlich realisierbare Verbesserungspotenziale auf, da als Referenzmaßstäbe die Leistungen von ähnlichen, effizienten DMUs herangezogen werden.487 Durch die Bestimmung der Effizienzwerte und Referenzpunkte lassen sich in der Folge noch weitere Erkenntnisse ableiten. So kann eine Segmentierung der Beobachtungspunkte erfolgen, indem die DMUs, welche auf die gleichen Efficient Peers projiziert werden, zu einem Segment ähnlicher Effizienzstrategien zusammengefasst werden.488 So ließe sich für das Segment der beispielhaften Vertriebsteams, die durch F und I gebenchmarkt werden, tendenziell eine „Hard-Selling-Strategie“ erkennen, indem versucht wird, durch hohen Einsatz von Input 2 – d.h. starke Incentivegewährung durch Aktionsprodukte, Gratisabgaben – einen hohen Output zu generieren. Es kann auch vorkommen, dass man auf Untersuchungseinheiten des effizienten Randes stößt, die für keine andere DMU als Referenzpunkt dienen (Punkt C in Abbildung 16). Diese sog. Self Evaluators verfolgen eine individuelle Strategie – für das Beispiel interpretierbar als personalintensive „Kundennähe-Strategie“ aufgrund vieler Kundenbesuche - die mit keiner anderen DMU vergleichbar ist.489 Sie stellen daher ein eigenes Segment dar. Die Anwendung des CCR-Modells soll anhand des Zahlenbeispiels verdeutlicht werden. Die Tabelle 16 zeigt die Ergebnisse des primalen und dualen Programms des inputorientierten Modells. Die identischen Effizienzwerte beider Programme belegen die Dualität der DEA-Modelle. Dies bedeutet, dass beide Vorgehensweisen zu gleichen Effizienzergebnissen führen: Es ist somit unerheblich, ob der Effizienzwert durch den Abstand zum Umhüllungspunkt gemessen oder durch Einsetzen der Gewichte ermittelt wird. 487 488 489
Vgl. Bürkle (1997), S. 30. Vgl. Bauer/Hammerschmidt/Staat (2002), S. 10. Vgl. Cummins/Zi (1998), S. 139.
158 DMU
Primales Modell
Duales Modell
j
h0
ν1
ν2
µ1
θ0
A
0,473
0,1
0,03
0,1
0,473
B
0,7
0,5
0
0,14
0,7
C
1
0
0,33
0,1
1
λC = 1
D
1
0,05
0,15
0,08
1
λD = 1
E
0,667
0,04
0,08
0,08
0,667
λD = 1
λF = 1
λj
λF = 0,46 λI = 0,17 λF = 0,47
F
1,0
0,3
0,01
0,07
1
G
0,885
0,12
0,03
0,06
0,885
λF = 0,36 λI = 0,56
H
0,796
0,04
0,07
0,06
0,796
λD = 0,43 λI = 0,63 λI = 1
I
1
0,07
0,06
0,05
1
J
0,692
0,07
0,02
0,05
0,692
λF = 0,23 λI = 0,92
K
0,681
0,03
0,05
0,05
0,681
λD = 0,36 λI = 0,87
Tabelle 16: Ergebnisse des primalen und dualen inputorientierten CCR-Modells
Für Vergleichseinheit H werden im Folgenden die LPs beider inputorientierter CCRModelle dargestellt, um so abschließend die konkrete Vorgehensweise der Ermittlung der Ergebnisvariablen dieser beiden Modelle anschaulich zu machen. Die Multiplikatoren ν 1 , ν 2 und µ1 ermitteln sich durch das primale LP: max hH = 17 µ1 µ ,ν
u.d.N. 10 µ1 – ( 4ν 1 + 15ν 2 ) 0 7 µ1 – ( 2ν 1 + 12ν 2 ) 0 10 µ1 – (10ν 1 + 3ν 2 ) 0 12 µ1 – ( 8ν 1 + 4ν 2 ) 0 12 µ1 – (12ν 1 + 6ν 2 ) 0 15 µ1 – ( 3ν 1 + 14ν 2 ) 0 16 µ1 – ( 5ν 1 + 12ν 2 ) 0 17 µ1 – ( 9ν 1 + 10ν 2 ) 0 19 µ1 – ( 6ν 1 + 10ν 2 ) 0 21 µ1 – ( 9ν 1 + 18ν 2 ) 0 21 µ1 – (14ν 1 + 19ν 2 ) 0 X H = 9ν 1 + 10ν 2 = 1
ν1 , ν 2 0 µ1 0
159 Die Zahl der NB entspricht der Anzahl der DMUs zuzüglich der Inputnormierungsbedingung und der üblichen Nichtnegativitätsbedingungen. Da z.B. Einheit K die Inputs in einem ungefähr ausgewogenen Verhältnis einsetzt, sind die beiden InputGewichte ähnlich hoch, wie Tabelle 16 zeigt. Die Gewichte entsprechen der Steigung der Isoquante. Je höher die Gewichte ν 1 , desto steiler verläuft die Randfunktion und desto überlegener ist eine Einheit bzgl. Input 1. Das duale LP bestimmt anschließend die Benchmarkanteile λ j :
min θH λ
u.d.N. 10 λA +7 λ B +10 λC +12 λD +12 λE +15 λF +16 λG +17 λH +19 λI +21 λJ +21 λK 17 4 λA +2 λB +10 λC +8 λD +12 λE +3 λF +5 λG +9 λH +6 λI +9 λJ +14 λK -9 θ H 0 15 λA +12 λB +3 λC +4 λD +6 λE +14 λF +12 λG +10 λH +10 λI +18 λJ +19 λK -10 θ H 0
λ j ≥ 0 ; j = A, ..., K Die Nebenbedingungen des dualen Programms entsprechen der Anzahl der Inputs und Outputs zuzüglich Nichtnegativitätsbedingung.490 Wie Tabelle 16 zeigt, bildet Einheit I, da sie ähnlich ausgewogene Gewichtungen wie K aufweist, zum größten Teil den Benchmark für K. Insofern wird die Dualität der Lösungen der beiden Programme deutlich. Abbildung 17 zeigt nun ein outputorientiertes Modell unter Verwendung der zwei Outputs des Zahlenbeispiels, die auf den Input 1 normiert sind. Der Effizienzwert für H lässt sich nun durch das Verhältnis der Entfernungen von H und VH vom Ursprung bestimmen. Er beträgt somit 0VH / 0H = 2,04. Wie auch grafisch erkennbar ist, beträgt der Effizienzwert der Frontier-DMUs weiterhin 1, ineffiziente Einheiten erhalten im outputorientierten Modell einen Score von größer 1. Dem Effizienzwert entsprechend müsste H, um auf die Effizienzgrenze zu gelangen, beide Outputs bei konstantem Input um 104% steigern. 490
Wie ersichtlich ist, entsprechen die ermittelten λ -Werte für H, die in Tabelle 16 angegeben sind, nicht denen, die aus der Abbildung 16 oben abzulesen sind. Dies ist durch die Normierung auf eine Einheit Output begründet. Um zu berücksichtigen, dass sich die Referenzeinheiten, mit denen H verglichen wird, auf anderen Outputniveaus bewegen, müssen die Anteile λ aus Abbildung 16 noch auf das Outputniveau von H angepasst werden, um die unnormierten λ zu erhalten, die in Tabelle 16 ausgegeben sind. So produziert Einheit I auf einem Outputlevel von 19, d.h. auf 89,5% des Niveaus von H (17). Daher ist der Benchmarkanteil von 0,7 von I mit dem Skalenniveaufaktor 0,895 zu multiplizieren. Daraus ergibt sich der in der Tabelle angegebene λ -Wert von 0,63, der notwendig ist, um die unnormierten Input-Targets für H zu erhalten. Referenzeinheit D produziert hingegen auf einem geringeren Outputlevel (12), weshalb der λ -Wert aus Abbildung 16 auf das Niveau 1,417 skaliert werden muss. Als unnormiertes λ ergibt sich 1,417*0,30=0,43. Da sich hingegen E und deren Benchmark D auf dem gleichen Outputniveau bewegen (nämlich 12), wird auch in Tabelle 16 für D ein Wert von 1 ausgewiesen.
160
4 3,5
VE
D J
Output 2 / Input 1
3
Slack
2,5
G
E
VH
2 A 1,5 C
I
K
1
B F
H
0,5 0 0
0,5
1
1,5
2
2,5
3
3,5
4
4,5
5
5,5
Output 1 / Input 1
Abbildung 17: Outputorientierte Ermittlung der Effizienzwerte im Ein-Input-Zwei-Output-Fall
Um eine einheitliche Notation der Effizienzwerte zu gewährleisten, die üblicherweise inputorientiert ausgedrückt werden und damit einen Wertebereich zwischen 0 und 1 aufweisen, wird in der Literatur bei outputorientierten Modellen oft der Reziprokwert des Effizienzwertes verwendet.491 Für H ergäbe sich damit ein Score von 0,49. Es ist letztlich jedoch immer vom Analyseziel abhängig, welche Notation aus Sicht der Interpretierbarkeit und für die Ableitung von Managementimplikationen zu bevorzugen ist. Besteht im Vertrieb etwa der Fokus in einer Identifikation von Ressourceneinsparpotenzialen, so ist zweifellos eine inputorientierte Berechnung des Effizienzwertes zu bevorzugen. Sollen hingegen die bei effizientem Ressourceneinsatz erreichbaren Umsatzniveaus ermittelt werden, um ambitionierte Zielvorgaben für die Vertriebsteams abzuleiten, ist eine Outputorientierung zu wählen. Da eine proportionale Erhöhung der Outputs bei H ausreicht, um den Benchmark zu erreichen, weist H lediglich radiale Ineffizienz auf, nach deren Beseitigung H ParetoKoopmans-effizient wäre. Anders stellt sich dies bei Punkt E dar, der nach Erlangung radialer Effizienz durch Erreichen des Randes bei Output 1 noch zusätzliche nicht radiale Ineffizienzen aufweist, die durch den Slack in Höhe 2,4 angezeigt werden. Die gleiche Situation liegt für B im inputorientierten Modell vor. VE ist daher nicht der Referenzpunkt für E, da bei Output 1 eine Verbesserung möglich ist, ohne sich bei dem anderen Output zu verschlechtern. Der Projektionspunkt VE auf dem Rand wird 491
Vgl. Cooper/Seiford/Tone (2000), S. 9 ff.
161 immer noch dominiert, und zwar durch D. Erst wenn Output 1 nach der proportionalen Erhöhung um 30% (Effizienzwert für E: 1,30) noch um weitere 2,4 Einheiten gesteigert wird, ist E Pareto-Koopmans-effizient und erreicht Punkt D, der als Benchmark für E fungiert. Die Eliminierung nicht radialer Ineffizienzen macht eine Änderung des Output-Mixes erforderlich.492 Äquiproportionale Effizienzmaße weisen also das Problem auf, nur Ineffizienzen zu indizieren, die für alle Inputs bzw. Outputs gleichzeitig bestehen, nicht aber Änderungen am Input- oder Output-Mix.493 Sie berücksichtigen daher keine Verbesserungsmöglichkeiten bzgl. einzelner Parameter, die über die simultan möglichen Verbesserungen hinausgehen. Da der Ausweis einer radialen Effizienz dann kein Indikator für Pareto-Koopmans-Effizienz ist, werden DMUs wie E oder B als schwach effizient bezeichnet.494 Für ineffiziente Einheiten, denen eine solch schwach effiziente Einheit gegenübergestellt wird, hat dies zur Folge, dass nur ein Teil ihrer Ineffizienz identifiziert wird. Die Slacks sind hier zum proportionalen Reduktionspotenzial zu addieren. Der Ausweis von Slacks folgt somit der Logik der additiven Effizienzmessung und gibt die Verbesserungen in absoluten Skaleneinheiten an. Die maximale mögliche Verbesserung der Einheit E bei Output 1 würde also durch die Summe aus maximaler radialer Verbesserung (d.h. Erhöhung um 3,6 Einheiten) und zusätzlicher nicht radialer Erhöhung um 2,4 Mengeneinheiten angegeben. Slack-erweiterte DEAModelle verknüpfen radiale und additive Effizienzmaße und weisen damit immer Pareto-Koopmans-Effizienz aus.495 Da für eine Pareto-Koopmans-effiziente (stark effiziente) Vergleichseinheit keinerlei Verbesserungen möglich sind, beträgt ihr Effizienzwert stets 1 und ihre Slacks sind gleich Null. Das slack-erweiterte CCR-Modell wird nun formal dargestellt.
1.2.3.
Das slack-erweiterte DEA-Grundmodell
Wie oben grafisch dargestellt, werden durch das bisher betrachtete Effizienzmaß zusätzlichen Leistungslücken in Form nicht radialer Verbesserungspotenziale nicht ausgewiesen. Dies ist aus den ≥ -Zeichen der NB in den bisherigen Modellen erkennbar, welche Fälle zulassen, in denen bei Erreichen der optimalen Lösung nur ein Teil der Nebenbedingungen mit Gleichheit erfüllt ist. Nicht mit Gleichheit erfüllte Restriktionen wären so zu interpretieren, dass bei den zugehörigen Input- und/oder Output-Parametern selbst nach Erreichen des effizienten Randes noch zusätzliche
492 493 494 495
Vgl. Cooper/Seiford/Tone (2000), S. 10 f. Vgl. Scheel (2000), S. 91. Vgl. Dyckhoff/Gilles (2004), S. 771. Vgl. Allen (2002), S. 51.
162 überproportionale Verbesserungen notwendig sind, um den (virtuellen) Referenzpunkt zu erreichen. Durch eine Erweiterung von (11) um Schlupfvariablen (Input-Slacks s − bzw. OutputSlacks s + ) kann ein slack-erweiterter Effizienzscore bestimmt werden. Hierdurch können solche „excess inputs“ bzw. “output shortfalls” separat aufgedeckt werden. Liegen positive Slacks vor, müssen die Slack-Werte zu den radialen Verbesserungen addiert werden, um die Zielwerte für die Inputs bzw. Outputs zu bestimmen, die erreicht werden müssen, um vollständig („stark“) effizient zu werden. Das slack-erweiterte duale CCR-Modell ergibt sich als:496 m s min θ 0 − κ §¨ ¦ sr+ + ¦ si− ·¸ i =1 ¹ © r =1
λ j ,s r+, s i−
n
u.d.N. ¦ λ j y rj − sr+ = y r 0 , j =1
∀r = 1,..., s,
(12) n
−θ0 xi 0 + ¦ λ j xij + si− = 0, j =1
∀i = 1,..., m,
λ j ≥ 0; sr+ ≥ 0; sr− ≥ 0; j = 1,..., n. Dabei ist κ > 0 eine Zahl kleiner als jede positive reelle Zahl (sog. nicht archimedische Konstante). Sie verhindert, dass Teile der Randfunktion so wie in Abbildung 11 eine Steigung von 0 oder unendlich aufweisen. Durch Einführung der Slacks werden nun auch jene Ineffizienzen ausgewiesen, die sich nicht durch eine radiale Variation der Parameter bis zum Erreichen der Frontierfunktion abbauen lassen und somit nicht allein durch die Variable θ erfassbar sind. Gleichung (12) stellt daher das vollständige DEA-Basismodell dar. Eine Einheit ist nun genau dann stark effizient, wenn gilt: θ ∗ = 1 und für alle Slacks sr+ ∗ = si−∗ = 0 . Eine Einheit, die zwar einen Effizienzwert θ = 1, aber bei mindestens einer Variablen s einen positiven Wert annimmt, ist nur schwach effizient. Wird nun das slack-erweiterte Modell auf das Zahlenbeispiel angewendet, so ändern sich die Ergebnisse der beiden oben dargestellten inputorientierten Programme nur dadurch, dass für DMU B zusätzlich ein Slack in Höhe von 1,87 ausgewiesen wird.
496
Vgl. Charnes/Cooper/Rhodes (1978), S. 433 ff.; Schefczyk (1996), S. 171.
163 1.3.
Das DEA-Grundmodell mit variablen Skalenerträgen
Die bisher dargestellten CCR-Modellvarianten unterstellen konstante Skalenerträge der Randproduktionsfunktion. Hierbei werden technische und Skaleneffizienz simultan bewertet und gemeinsam durch den Effizienzscore ausgedrückt. Auf diese Weise ist keine Separation der beiden Arten von Effizienz möglich. Ein Abweichen von der höchsten Produktivität kann auf technische Ineffizienz und/oder auf eine suboptimale Betriebsgröße zurückzuführen sein. Wie oben bereits angesprochen, operieren DMUs insbesondere im Marketing, aufgrund von Sättigungs- und Wear-out-Effekten, oftmals unter der Bedingung variabler (i.d.R. abnehmender) Grenzerträge. Es lassen sich dann für verschiedene Skalenniveaus (Inputvolumina) jeweils Best-PracticeBeobachtungen finden. Zunächst ist dabei die Art der vorliegenden Skalenerträge der untersuchten Produktionstechnologie zu identifizieren. Hierfür kann, wie bereits ausgeführt, die Summe der durch das duale CCR-Modell berechneten λ j - Werte herangezogen werden. Diese Summe zeigt an, ob die Produktionseinheiten eine optimale Größe aufweisen. Dies ist der Fall, wenn die λ j - Summe des CCR-Modells n
genau den Wert 1 aufweist. Alle anderen Fälle weisen die ¦ λ j - fache Größe der opj =1
n
timalen Referenzeinheit auf und sind damit entweder zu groß ( ¦ λ j > 1 ) oder zu klein j =1
n
( ¦ λ j < 1).497 j =1
Die Erweiterung des CCR-Modells um variable Skalenerträge nehmen Banker/Charnes/Cooper mit dem nach ihnen benannten BCC-Modell vor. Variable Skalenerträge werden modelliert, indem an die λ j -Werte nicht nur die Bedingung der Nichtnegativität gestellt wird, sondern das Programm (12) um die Nebenbedingung n
498 ¦ λ j = 1 erweitert wird. Auf diese Weise wird bei der Effizienzbewertung automaj =1
tisch sichergestellt, dass nur noch Einheiten mit gleichem Skalenvolumen verglichen werden, womit evtl. Skaleneffekte aus dem Effizienzwert herausgerechnet werden. n
Dabei lassen sich auch die Unterfälle nicht abnehmender Skalenerträge ( ¦ λ j ≤ 1) j =1
n
bzw. nicht zunehmender Skalenerträge ( ¦ λ j ≥ 1) modellieren.499 j =1
Für den Fall variabler Skalenerträge ergibt sich das duale BCC-Modell wie folgt:500 497 498 499 500
Vgl. Banker/Chang/Cooper (1996); Zhu (2000). Vgl. Banker/Charnes/Cooper (1984), S. 1083 ff. Vgl. Cantner/Hanusch (1998), S. 234. Vgl. Banker/Charnes/Cooper (1984), S. 1083 ff.
164 m s min θ0 − κ §¨ ¦ sr+ + ¦ si− ·¸ i =1 © r =1 ¹
λ j ,s r+, s i−
n
u.d.N. ¦ λ j y rj − sr+ = y r 0 , j =1
(13)
n
∀r = 1,..., s,
−θ o xi 0 + ¦ λ j xij + si− = 0, j =1
∀i = 1,..., m,
n
¦ λ j = 1,
j =1
λ j ≥ 0; sr+ ≥ 0; sr− ≥ 0; j = 1,..., n. Der Unterschied zum dualen CCR-Modell (12) liegt also in der dritten Nebenbedingung. Diese verlangt, dass die Summe der Skalenniveaufaktoren λ j (d.h. die Summe der Gewichte jener DMUs, die eine Linearkombination bilden) den Wert eins annimmt, wodurch eine abschnittsweise lineare Randfunktion entsteht.501 Einer DMU können im BCC-Modell somit keine Vielfachen oder Bruchteile einer effizienten DMU gegenübergestellt werden, sondern nur noch gewichtete Summen von Efficient Peers. Auch das BCC-Modell wird nun auf das Zahlenbeispiel angewendet. Die Ergebnisse der beiden inputorientierten Modelle sind in Tabelle 17 dargestellt. Da im BCC-Modell Abweichungen vom optimalen Wirkungsverhältnis zwischen Inputs und Outputs (gegeben durch die CCR-effizienten Einheiten) nicht mehr als Ineffizienzen interpretiert werden, sind nun auch die DMUs B und J und somit insgesamt 6 Einheiten effizient. Der ausgewiesene BCC-Effizienzwert ist um Skalenineffizienzen bereinigt und ermittelt somit die rein technische, nicht jedoch die größenbedingte Ineffizienz. Bei Vorliegen von Skalenineffizienzen weist das CCR-Modell somit stets geringere Effizienzwerte aus als das BCC-Modell.502 Dies trifft für Einheiten A, B, G, H, J und K zu, wie ein Vergleich von Tabelle 16 und Tabelle 17 zeigt. Falls Vergleichseinheiten ihr Inputniveau (ihre „Größe“) kurzfristig nicht beeinflussen können, ist diese Form der Analyse besonders nützlich.503
501 502 503
Vgl. Banker/Natarajan (2004), S. 303. Vgl. Cooper/Seiford/Tone (2000), S. 87. Vgl. Alpar et al. (2000), S. 479.
165 DMU
Primales Modell
Duales Modell
λj
j
h0
ν1
ν2
µ1
θ0
A
0,762
0,08
0,05
0,1
0,762
B
1
0,5
0
0,14
1
λB = 1
C
1
0
0,33
0,1
1
λC = 1
D
1
0,07
0,12
0,08
1
λD = 1
E
0,667
0,05
0,07
0,08
0,667
λD = 1
F
1
0,33
0
0,07
1
λF = 1
G
0,932
0,09
0,05
0,06
0,932
λB = 0,18 λF = 0,2 λI = 0,62
H
0,829
0
0,1
0,06
0,829
λD = 0,29 λI = 0,71
I
1
0,07
0,06
0,05
1
λI = 1
J
1
0,11
0
0,05
1
λJ = 1
K
0,947
0
0,05
0,05
0,947
λJ = 1
Slacks
λB = 0,74 λD = 0,01 λI = 0,25
s1− = 0,89
s1− = 4,26
Tabelle 17: Ergebnisse des primalen und dualen inputorientierten BCC-Modells
Ein Vergleich der CCR- mit den BCC-Effizienzwerten erbringt Aufschlüsse darüber, ob Skalenineffizienzen vorliegen. Die Summe der λ j -Werte des dualen CCR-Modells informiert zunächst über die Art der Skalenineffizienzen, gibt also an, inwieweit eine Beobachtung von der optimalen Größe abweicht. Die Betrachtung des Verhältnisses beider Scores (14)
δ0 =
θ0 BCC θ0
CCR
erlaubt zudem die Quantifizierung der Skalenineffizienz einer Beobachtung.504 Ist das Verhältnis gleich 1, ist die Beobachtung skaleneffizient, andernfalls skalenineffizient. Der Faktor gibt an, um wie viel Prozent die Inputs zu reduzieren sind, damit neben der technischen Ineffizienz auch die Skalenineffizienz beseitigt wird und die Einheit mit derselben Durchschnittsproduktivität produziert wie die größenoptimale Referenzeinheit.
504
Vgl. Banker (1984), S. 38 ff.
166 1.4.
Exkurs: Formale Darstellung des FDH-Modells
Nach Darstellung der DEA-Grundmodelle wird, wie oben bereits begründet, auch das FDH-Modell kurz formal eingeführt, nachdem die Vorgehensweise der FDH grafisch bereits in Abschnitt C-2.2.2.2 vermittelt wurde. Der Unterschied zum Programmierungsmodell der DEA ergibt sich durch das Hinzufügen der zusätzlichen Nebenbedingung λ j ∈ {0;1} in das duale inputorientierte Programm. Daraus resultiert ein gemischt ganzzahliges Optimierungsproblem:505 min θ 0 λj
n
u.d.N. ¦ λ j y rj ≥ y r 0 , ∀r = 1,..., s, j =1
n
−θ o x i 0 + ¦ λ j x ij ≤ 0, ∀i = 1,..., m, j =1
(15) n
¦ λ j = 1, j =1
λ j ∈ {0;1}, j = 1,..., n.
Der Vektor λ enthält nun nur noch bivalente Gewichtungsfaktoren. Durch die Beschränkung auf die Werte 0 oder 1 ist eine Effizienzmessung auf Basis von Linearkombinationen effizienter Entscheidungseinheiten ausgeschlossen und die Nichtn
Konvexität der Referenztechnologie sichergestellt. Aus der Nebenbedingung ¦ λ j = 1 j =1
wird ersichtlich, dass es sich um ein Modell mit variablen Skalenerträgen handelt. Aufgrund der geforderten Ganzzahligkeit der Gewichtungsfaktoren ist dieses Programm nicht über den allgemeingültigen Algorithmus linearer Programme, wie im Falle der DEA, lösbar. Der angewandte Lösungsalgorithmus basiert auf der Logik der paarweisen Vektordominanz und erfordert ein zweistufiges Vorgehen, welches sich im inputorientierten Fall wie folgt darstellt:506 Auf der ersten Stufe erfolgt die Bestimmung der Menge der für die zu untersuchende DMU0 dominanten Einheiten D(I0 ) , welche die Werte für DMU0 selbst und die Werte ( xh , y h ) enthält, welche die Beobachtungen ( x0 , y 0 ) schwach dominieren. Im input505 506
Vgl. Tulkens (1993), S. 187. Vgl. Bauer (2002), S. 134 f.; Tulkens (1993), S. 189 ff.
167 orientierten Modell ist dies die Menge der Vektoren ( xh , y h ) für die gilt: xih ≤ xi 0 für Inputs i = 1,..., m , wobei mindestens ein Inputfaktor i strikt kleiner ist und weiterhin y rh ≥ y r 0 für Outputs r = 1,..., s erfüllt ist.
Auf der zweiten Stufe wird der Effizienzwert θ 0 berechnet, der sich durch den folgenden Algorithmus ergibt: (16)
xid ½ ¾ ¯ xi 0 ¿
θ 0 = Min Max ® d ∈D(I 0 ) i =1,..., m
Über das Minimierungsproblem wird zunächst die DMUd als diejenige ausgewählt, welche DMU0 bezüglich der Inputs am stärksten dominiert.507 Diese wird zur Bestimmung der relativen Effizienz von DMU0 verwendet. Zur Veranschaulichung sei angenommen, dass der Inputvektor ( x1d , x2d ) die Werte (15;10) aufweist. Die durch d dominierte Entscheidungseinheit 0 weist den Inputvektor ( x10 ; x20 ) = (20;20) auf. Mittels der nachfolgenden Maximierungsregel wird nun der genaue Effizienzwert von DMU0 unter Verwendung der Inputwerte von d bestimmt,
15 10 ½ der sich ergibt als: θ 0 = Max ® ; ¾ = Max{0,75;0,5} . ¯ 20 20 ¿ Damit erreicht die Entscheidungseinheit 0 einen Effizienzwert von 75%. Dies bedeutet, dass sie mit höchstens 75% des aktuellen Einsatzes aller Inputfaktoren denselben Output erzielt haben müsste. Durch den paarweisen Vektorvergleich können sich analog zum DEA-Modell Slackwerte für einige Input- bzw. Outputparameter ergeben, die nicht in die Bestimmung des Effizienzwertes eingegangen sind. Für den Input x20 ergibt sich ein Slack, da das Verhältnis der Inputfaktoren 2 in Höhe von 50% angibt, dass bei Beibehaltung des aktuellen Outputniveaus eine Senkung des Inputs 2 um weitere 25% möglich wäre.508
1.5.
Grenzen der DEA-Grundmodelle
Vor der Entscheidung für oder gegen die DEA muss sich ein Anwender die Vor- und Nachteile der Technik vergegenwärtigen. Wie bei jeder Methode hängt auch der Erfolg einer DEA wesentlich von der Kenntnis der „Fallstricke“ und Lösungen zu deren Vermeidung bzw. Kontrolle ab. Daher gibt dieser Abschnitt einen Überblick der zentralen Probleme der Grundmodelle, bevor dann in D-1.6 Weiterentwicklungen vorgestellt werden, die diese Probleme aufgreifen. 507 508
Vgl. Tulkens (1993), S. 189. Vgl. Bauer (2002), S. 133.
168 Problem 1: Zu viele effiziente Einheiten bei kleinen Stichproben, keine Diskriminierung effizienter Einheiten
Eine grundlegende Schwäche besteht darin, dass für eine aussagekräftige DEA eine große Anzahl von Einheiten benötigt wird, da ansonsten aufgrund fehlender vergleichbarer DMUs zu viele Einheiten als effizient eingestuft werden.509 Dieses Problem wird umso gravierender, je mehr Input- und Outputparameter in die Analyse einbezogen werden. Bei einer geringen Anzahl von DMUs in Relation zur Anzahl der Parameter klassifiziert der DEA-Ansatz sehr viele Einheiten als effizient. Mit zunehmender Zahl an Parametern steigt die Wahrscheinlichkeit, dass sich irgendein Output-Input-Verhältnis findet, bezüglich dessen die fragliche DMU von keiner anderen dominiert wird und in der Folge als effizient ausgewiesen wird. „The degree of overstatement is likely larger when the sample is small, since the best practice firms in a small sample have greater chances of being further from the true frontier.“510 In solchen Fällen werden DMUs evtl. nur deshalb als effizient bewertet, weil sie extreme Ausprägungen bei einem Parameter aufweisen, obwohl sie bei allen übrigen nur schwach abschneiden. Eine zu große Zahl einbezogener Inputs und Outputs führt dazu „… that everybody becomes 100% efficient in their own little micro-corner of the market.”511 Ausschlaggebend bei der Anwendung einer DEA ist es daher, eine ausreichende Größe des Referenzsets im Verhältnis zur Summe der Input- und Outputfaktoren sicherzustellen. Je größer die Stichprobe ist, desto näher ist das Ergebnis der Realität. Die von Dyson et al. aufgestellte Faustregel fordert, dass die Anzahl der Untersuchungseinheiten mindestens so groß ist wie das Doppelte des Produktes aus der Zahl der Inputs und der Zahl der Outputs.512 Eine Abschwächung dieser Regel schlagen Vassiloglou/Giokas für Fälle vor, in denen die Daten zu einer solchen Anzahl von Untersuchungsobjekten nicht verfügbar sind. Als Minimalforderung sollte dann die Größe der Stichprobe die Summe der Inputs und Outputs mindestens zweifach übersteigen.513 Das genannte Problem ist v.a. deshalb relevant, weil die DEA selbst keine Differenzierung zwischen den effizienten Objekten vornehmen kann. Alle effizienten Objekte erhalten einen Einheitsscore von 1. Eine Ranking ist daher nur für die ineffizienten DMUs möglich. Die auch für effiziente DMUs bestehende Möglichkeit, ihre Leistungsfähigkeit durch den Vergleich mit anderen effizienten Einheiten steigern zu können, vernachlässigt die DEA somit.514 509 510 511 512
513 514
Vgl. Andersen/Petersen (1993), S. 1261. Berger (1993), S. 264. Doyle/Green (1991), S. 637. Vgl. Dyson et al. (2001), S. 247. Dieses strenge Kriterium ist für die drei in Teil E vorgestellten empirischen Studien erfüllt. Vgl. Vassiloglou/Giokas (1990), S. 593. Vgl. Greißinger (2000), S. 109; Staat/Hammerschmidt (2005), S. 311.
169 Problem 2: Unbeschränkte Gewichtsflexibilität, Ausblendung externer Präferenzinformationen zur Bedeutung der Parameter
Eng zusammenhängend mit dem Problem einer zu großen Anzahl effizienter DMUs ist eine weitere Problematik, die aus der – ansonsten sehr vorteilhaften – unbeschränkten Gewichtsflexibilität resultiert. Insbesondere bei starker Heterogenität der DMUs können Einheiten existieren, die nur aufgrund eines extrem vorteilhaften Wertes bei einem Input oder Output, der dann sehr hoch gewichtet wird, Effizienzwerte von 100% erhalten. Diese Gewichtungen spiegeln dann evtl. nicht mehr die tatsächliche, „globale“ Bedeutung dieses Faktors aus Sicht von Kunden, Management oder anderen Stakeholdern wider.515 Extreme Gewichte bei einem oder wenigen Faktoren ignorieren die Effizienz einer Entscheidungseinheit in Betracht auf die anderen Inputs und Outputs.516 Vor diesem Hintergrund muss der DEA-Anwender entscheiden, ob die Einführung gewisser Gewichtsbeschränkungen ratsam ist. Diese Beschränkung bezüglich der Gewichte nimmt der DEA jedoch den Vorteil, dass jede DMU automatisch mit der bestmöglichen Gewichtung und somit mit dem bestmöglichen DEA-Effizienzwert versehen wird. Mit der individuellen Gewichtung zur Maximierung der Gesamtkennzahl umgeht die DEA gerade die Gewichtungsproblematik traditioneller Kennzahlenanalysen.517 Diese Gewichtsrestriktionen erfordern zudem stets willkürliche Annahmen im Vorfeld der Analyse, etwa wenn das verantwortliche Management der Meinung ist, dass die Gewichte bestimmter Inputs oder Outputs in einem bestimmten Verhältnis zueinander stehen sollen. Dieses Procedere nimmt der DEA die Möglichkeit, den bestmöglichen Effizienzwert für jede Entscheidungseinheit zu bestimmen und beraubt sie damit dem wichtigsten „Argument“ für die Legitimation von Verbesserungsmaßnahmen bei den ineffizienten DMUs.518 Die Flexibilität der Gewichte im Rahmen der DEA stellt sich, um die Ausführungen sprichwörtlich auf den Punkt zu bringen, als “Segen und Fluch“ zugleich dar. Problem 3: Nicht-Berücksichtigung von Messfehlern und Verteilungen (AusreißerProblematik)
Durch den deterministischen Charakter der DEA liegt ihr die Annahme zu Grunde, dass Datenfehler aufgrund von Mess- und Codierungsfehlern oder Zufallseinflüssen im Datenmaterial nicht existieren.519 Daher wird der gesamte Abstand zum Rand als systematische Ineffizienz ausgewiesen. Solche Messfehler können zu Extremwerten (outliers) führen, welche die Effizienzwerte einiger oder sogar aller evaluierten Ent515 516 517 518 519
Vgl. Andersen/Petersen (1993), S. 1261. Vgl. Belton/Vickers (1993), S. 886. Vgl. Werner/Brokemper (1996), S. 165. Vgl. Doyle/Green (1994), S. 570. Vgl. Cantner/Hanusch (1998), S. 229.
170 scheidungseinheiten verzerren. Im Gegensatz zu den deterministischen Verfahren wie DEA und FDH ist es bei stochastischen Verfahren wie der Regressionsanalyse oder der SFA möglich, über die Analyse der Residuen Rückschlüsse auf mögliche Ausreißer zu ziehen.520 Zudem werden dort aufgrund der Betrachtung durchschnittlicher Input-Output-Beziehungen Ausreißer geglättet. Problematisch ist die Existenz eines Mess- oder Zufallsfehlers besonders für die auf dem effizienten Rand gelegenen Untersuchungsobjekte, weil die Effizienzwerte sämtlicher Einheiten, die sich mit dieser DMU direkt oder in Kombination vergleichen, dann ebenso fehlerhaft sind.521 Die Forderung einer hohen Datenqualität gilt in besonderem Maße für die DEA, um Messfehler auszuschließen. Des Weiteren werden durch den nicht parametrischen Charakter keine Annahmen über die Verteilung der Effizienzwerte getroffen, weil die theoretisch richtige Verteilung der Effizienzwerte nicht bekannt ist.522 Durch diesen Verzicht werden gerade die wesentlichen Vorteile der DEA konstituiert. Daher sind aber inferenzstatistische Signifikanzprüfungen und statistische Hypothesentests, etwa die Anwendung eines tTests, nicht möglich, da hierfür eine Normalverteilung der Effizienzwerte vorausgesetzt würde.523 Für DEA und FDH müssen somit andere Möglichkeiten gefunden werden, um Datenfehler zu beheben oder die Extremwerte zu identifizieren und aus der Analyse zu entfernen. Diese bilden einen Schwerpunkt der derzeitigen Forschung zur DEA.524 In der jüngeren Literatur wurden bereits einige Verfahren entwickelt, die sich noch in ihren Anfängen befinden und in DEA-Anwendungen bisher kaum zum Einsatz gekommen sind. Einige davon werden im folgenden Abschnitt vorgestellt und auch bei den späteren empirischen Untersuchungen angewendet. Problem 4: Ausschluss nicht kontrollierbarer Variablen und Sensitivitätsprobleme bzgl. der Auswahl der Input- und Outputvariablen
Als weitere Schwäche wird angeführt, dass häufig durch das Management nicht kontrollierbare Variablen die Ausprägungen der kontrollierten Inputs- und Outputs und damit die Effizienz einer DMU beeinflussen. Ziel muss es daher sein, solche sog. nicht diskretionären Parameter in der Analyse zu berücksichtigen, was jedoch nicht immer möglich ist. So ist zum Beispiel denkbar, dass bei der Evaluierung der Außendiensteffizienz die zu bewertenden Mitarbeiter auf unterschiedlich gut informierte Kunden treffen. Dabei erfordert ein besser informierter Kunde weniger Beratungszeit und vermutlich auch weniger Serviceleistungen. Auch Faktoren wie Marktpotenzial oder Wettbewerbsintensität können sich wesentlich auf die Performance eines Mitar520 521 522 523 524
Vgl. Wilson (1995), S. 27. Vgl. Berger/Humphrey (1997), S. 178. Vgl. Cooper/Seiford/Tone (2000), S. 200. Vgl. Sengupta (1995), S. 216, Simar/Wilson (1998), S. 60. Vgl. Banker/Natarajan (2004); Barth/Staat (2005); Cooper et al. (2004); Simar/Wilson (2004); Staat (2002).
171 beiters niederschlagen, können aber in herkömmlichen DEA-Modellen nicht abgebildet werden. Liegt das betreffende Team dann nicht auf der Randfunktion, wird dies auf eine ineffiziente Arbeitsweise zurückgeführt, obwohl möglicherweise die nicht steuerbaren Einflussfaktoren der Grund für die Ineffizienz sind.525 Somit zeigt sich die Anfälligkeit der DEA für unzureichende Modellspezifikationen. Dies gilt nicht nur für die Erfassung relevanter nicht kontrollierbarer Variablen sondern für die Festlegung der Inputs und Outputs generell. Es wird deutlich, dass vor der Analyse mittels DEA umfangreiche Überlegungen und Analysen in Bezug auf mögliche Einflussfaktoren stattfinden müssen, um eine realistische Abbildung der Leistungsprozesse zu gewährleisten.526 Auf diese Problematik wird daher ebenfalls Problem 5: Fokussierung auf technische Effizienz, Vernachlässigung der allokativen und der Kosteneffizienz
Aufgrund der Fokussierung auf technische Effizienz trifft die DEA bei Verwendung realer Größen keine Aussagen darüber, welche der auf dem Rand befindlichen Einheiten auch unter Kostengesichtspunkten optimal sind. So kann es sein, dass eine DMU ein Inputlevel erreicht hat, welches zwar technisch effizient ist, die Inputs aber bezüglich der Faktorpreise nicht im optimalen Verhältnis einsetzt, d.h. allokativ ineffizient ist. Dies ist immer dann der Fall, wenn z.B. in Abhängigkeit von Technik- vs. Personaleinsatz (Grad der Automatisierung!) unterschiedliche Kosten der Inputs anfallen.527 Eine optimale Proportionierung erfordert es evtl., bei einigen Inputs weitere Senkungen zu Lasten anderer Inputs vorzunehmen. Die Berücksichtigung der allokativen Effizienz, die natürlich voraussetzt, dass Preise gegeben sind, ermöglicht es, nicht nur zu entscheiden, wie die Dinge richtig getan werden (um den Rand zu erreichen), sondern macht auch Aussagen zur Effektivität, indem die profitablen Punkte (d.h. die richtig proportionierten Inputkombinationen auf dem Rand) ausgewählt werden können.528 Treffen technische und allokative Effizienz zusammen, ist die Minimalkostenkombination realisiert. Der effiziente Rand der DEA stellt somit die obere Schranke in Bezug auf das Kriterium der Kosteneffizienz dar. Ein kosteneffizienter Punkt ist zwingend auch technisch effizient, eine technisch effiziente Aktivität muss jedoch nicht unbedingt unter Kostenaspekten effizient sein. Weiterentwicklungen der DEA ermöglichen die Bestimmung der allokativen und der kostenbezogenen Effizienz, wofür allerdings - wie oben betont - Informationen über Marktpreise vorliegen müssen.
525 526
527 528
Vgl. Sengupta (1996), S. 125; Staat (1999). Vgl. Donthu/Hershberger/Osmonbekov (2005), S. 1477; Dubelaar/Bhargava/Ferrarin (2002), S. 419. Vgl. Porembski (2000), S. 86. Vgl. Golany/Phillips/Rousseau (1993), S. 4 ff.
172 Durch aktuelle Weiterentwicklungen bzw. in der jüngeren Literatur vorgeschlagene Analysen können, wie im Folgenden ausgeführt wird, die meisten dieser Nachteile vermieden oder doch zumindest erheblich abgemildert werden.
1.6.
Weiterentwicklungen der DEA
1.6.1.
Messung von Supereffizienz
Das Konzept der Supereffizienz zielt auf eine Verfeinerung der Effizienzbewertung ab, indem im Rahmen eines DEA-Modells auch für die effizienten Einheiten das Ausmaß der Effizienz bestimmt und somit auch Performanceunterschiede innerhalb der Gruppe der als effizient klassifizierten Einheiten aufgedeckt werden können.529 Im Rahmen der Standardmodelle kann kein Abstand zwischen dem effizienten Rand und den effizienten Vergleichseinheiten bestimmt werden, da diese auf sich selbst projiziert werden. Daher erhalten alle effizienten DMUs einen Einheits-Score von 100%, was besonders im Falle einer großen Zahl effizienter Vergleichseinheiten unbefriedigend ist. Eine weitergehende Diskriminierung kann nun erreicht werden, indem jede (effiziente) DMU0 mit einer Randfunktion verglichen wird, die aus den übrigen Einheiten aufgespannt wird. Die betreffende DMU wird somit aus dem Referenzset ausgeschlossen. Die Entfernung einer effizienten Einheit zu dieser neuen Randfunktion kann als Grad der Supereffizienz interpretiert werden.530 Supereffizienzmaße quantifizieren die Stabilität des Effizienzstatus’ einer effizienten Vergleichseinheit, d.h. den Leistungsvorsprung in Relation zu den effizienten Alternativen.531 Ein inputorientiertes äquiproportionales Supereffizienzmaß etwa gibt an, um welchen Anteil alle Inputmengen einer als effizient klassifizierten Vergleichseinheit maximal erhöht werden könnten, so dass diese gerade noch effizient bleibt.532 Abbildung 18 veranschaulicht dieses Vorgehen wiederum anhand des Zahlenbeispiels. Entsprechend des Standardmodells ist I selbst sein eigener Referenzpunkt, der Effizienzwert entspricht
0I / 0I = 1,0. Der Grad der Supereffizienz von I kann bestimmt werden, indem I aus dem Referenzset entfernt wird. Dies impliziert, dass I nun mit einer ohne diese Einheit aufgespannten Input-Frontier verglichen wird, die von den Beobachtungen C, D, G und F gebildet wird. Für ineffiziente Realisationen stimmen die Resultate des Supereffizienzmodells mit denen der Standard-DEA überein, da eine Eliminierung ineffizienter Einheiten den Verlauf der Randfunktion unverändert lässt. Der Unterschied beider Modelle liegt nur 529 530 531 532
Vgl. Allen (2002), S. 89. Vgl. Andersen/Petersen (1993), S. 1262. Vgl. Scheel (2000), S. 112; Staat/Hammerschmidt (2005), S. 317. Vgl. Andersen/Petersen (1993), S. 1264.
173 in der Behandlung der effizienten Einheiten, deren Elimination den Verlauf der Randfunktion ändert. Der aus dieser Änderung resultierende Effizienzeffekt wird genau durch die Supereffizienzanalyse untersucht. Der Supereffizienzwert von I, d.h. ihre Entfernung von dieser neuen Funktion, ergibt sich dann grafisch über das Verhältnis der Strecke 0VI zu der Strecke 0I , welches etwa 1,25 beträgt (exakt 1,245). Folglich könnten sämtliche Inputmengen der Vergleichseinheit I um 24,5% erhöht werden, ohne dass diese dann von einer anderen Einheit dominiert würde. 2 1,8
B
1,6 A Input 2 / Output 1
1,4 1,2 1
K
F J
G
0,8
VI H
0,6
E
I
0,4
D
Grad der Supereffizienz
0,2
C
0 0
0,2
0,4
0,6
0,8
1
1,2
1,4
1,6
Input 1 / Output 1
Abbildung 18: Ermittlung des Supereffizienzwertes für I
Da sich auf diese Weise auch die effizienten Vergleichseinheiten differenzieren lassen und nicht mehr pauschal den Wert 1 erhalten, wird ein vollständiges Ranking aller Vergleichseinheiten möglich.533 Die mathematische Formulierung des Supereffizienzmodells erfordert eine Erweiterung des LP (13) durch Hinzufügen der zusätzliche Nebenbedingung λ0 = 0 . Hierdurch wird der Vektor der gerade bewerteten Einheit 0 aus der Referenztechnologie-Matrix der envelopment form eliminiert. Dadurch ist auch für die effizienten Einheiten, für die in der Standardformulierung λ0 = 1 gelten 533
Das Supereffizienzprogramm kann in bestimmten Fällen nicht lösbar sein. Diese liegen vor, wenn die Nebenbedingungen nicht mehr eingehalten werden können und der Effizienzwert der betrachteten Entscheidungseinheit nicht definiert werden kann. Dies passiert dann, wenn die Streichung einer Entscheidungseinheit impliziert, dass die ausgeschlossene Entscheidungseinheit unterhalb der Effizienzkurve liegt und diese durch keinerlei radiale Erhöhungen der Inputs bei konstantem Outputniveau erreicht werden kann. Für eine Darstellung dieser Probleme des Supereffizienzmodells vgl. Dula/Hickman (1997) und Seiford/Zhu (1999).
174 würde, selbst eine Referenztechnologie bestimmbar. Hieraus folgt das duale inputorientierte Supereffizienzmodell:534 min θ0 − κ (s + − s − )
λ ,s + , s −
u.d.N. Yλ − s + = Y0 ,
θX 0 − Xλ − s − = 0, (17) eλ = 1,
λ0 = 0, λ , s + , s − ≥ 0. Die Variable θ 0 ist der Effizienzwert, der sich durch Lösung des linearen Programms ergibt, bei dem die Daten der betrachteten Entscheidungseinheit 0 nicht berücksichtigt werden, d.h. für das j ≠ 0 gilt. Für diejenigen Entscheidungseinheiten, die unterhalb der ohne sie aufgespannten Referenzkurve liegen, gilt θ 0 > 1 und sie werden als supereffizient bezeichnet.
1.6.2.
Integration von Präferenzinformationen durch Gewichtsbeschränkungen
Im Ausgangsmodell (9) ergibt sich die relative Effizienz einer DMU durch die Maximierung des Verhältnisses der Summe der gewichteten Outputs zur Summe der gewichteten Inputs. Die vorgestellten DEA-Modelle zeichnen sich durch den Vorteil aus, dass keine Aussagen zur Höhe der Input- und Outputmultiplikatoren getroffen werden müssen. Dadurch können DMU´s mit völlig unterschiedlichen Kombinationen von Input- und Outputausprägungen effizient werden, da ihre individuellen Stärken und Schwächen durch die Wahl bestmöglicher Gewichte adäquat berücksichtigt werden. Diese uneingeschränkte Flexibilität der Gewichte kann jedoch dazu führen, dass stark unvorteilhaft ausgeprägten Inputs oder Outputs sehr geringe Gewichte zugewiesen werden. Diese Inputs und Outputs würden bei der Effizienzbewertung praktisch ignoriert. Dann ergibt sich die Leistung einer DMU nicht mehr aus der Gesamtheit aller betrachteten Input- und Outputfaktoren.535 Beispielsweise könnte ein erfolgloses Produkt einen Effizienzwert von eins aufweisen, da es bezüglich einer für den 534
535
Vgl. Dula/Hickman (1997). Aus Vereinfachungsgründen werden alle LPs der ab jetzt folgenden erweiterten DEA-Modelle in Vektorschreibweise dargestellt. Analog zur DEA sind X und Y nun die Matrizen der Input- bzw. Outputfaktoren. Vgl. Dyson/Thanassoulis (1988), S. 564.
175 Markt eher irrelevanten Produkteigenschaft relativ zu den anderen DMU´s das höchste gewichtete Output-Input-Verhältnis aufweist und dieses Merkmal den Effizienzwert dominiert. In der Literatur werden zahlreiche Ansätze diskutiert, um die Gewichte zu restringieren und somit Informationen über die Bedeutung der Inputs und Outputs aus Sicht der Anwender bzw. Entscheider zu integrieren. Durch eine Beschränkung der Multiplikatoren soll erreicht werden, dass nicht nur die DMU-individuelle Bedeutung, sondern auch die übergreifende Bewertung der einzelnen Input- und Outputfaktoren durch das Management in die relative Effizienzbeurteilung eingeht. Im Folgenden werden einige dieser Ansätze diskutiert.
1.6.2.1. Fixierung von Input- und Outputmultiplikatoren Im folgenden additiven Modell, sei für den Outputmultiplikator r das Gewicht mit zr ≠ 0 und den Inputmultiplikator i das Gewicht mit zi ≠ 0 exogen fixiert, so dass
diese dann nicht mehr frei optimiert werden können. Daraus ergibt sich das folgende Programm:536 min − s + − s −
λ ,s + ,s −
u.d.N. Xλ + s − − zi = X 0 ,
(18)
Yλ − s + + zr = Y0 , eλ = 1,
λ, s + , s − ≥ 0. Durch die Beschränkung der Multiplikatoren auf einen Mindestwert größer Null sinkt der Effizienzwert jener Entscheidungseinheiten, bei denen nachteilige Input- oder Outputfaktoren durch flexible Multiplikatoren vernachlässigt werden konnten und deren hoher Effizienzwert evtl. durch die positive Gewichtung nur der unbedeutenden Faktoren entstanden ist.537 Die Entscheidungseinheiten, deren Effizienzwert nicht nur auf einigen wenigen Faktoren basiert, erreichen durch die Beschränkung oft einen höheren Effizienzwert, da dieser auf einer breiteren Basis beruht. Im Produktcontrolling könnte beispielsweise die Zuverlässigkeit eines Autos das aus Kundensicht wichtigste Kriterium sein. Eine PKW-Marke A, die nur eine geringe Zuverlässig536 537
Vgl. Schefczyk, M. (1994), S. 190. Vgl. Dyson/Thanassoulis (1988), S. 568.
176 keit, im Gegenzug aber hohen Komfort aufweist, wird ohne Beschränkung der Multiplikatoren dennoch einen relativ hohen Effizienzwert erreichen. Durch eine Fixierung der Gewichtungsfaktoren wird erreicht, dass dem Outputfaktor Zuverlässigkeit eine relativ höhere Bedeutung beigemessen wird und dadurch der Effizienzwert der Marke A sinkt. Durch die Gewichtsbeschränkung werden somit Positionierungsaspekte in die Effizienzanalyse integriert.538 Die Werte einzelner Input- und Outputgewichte können beispielsweise anhand der Beta-Gewichte aus einer Regressionsanalyse auf Basis der vorhandenen Daten oder in Höhe des Durchschnitts des betrachteten Gewichts über alle DMUs festgelegt werden.539
1.6.2.2. Vorgabe von Bandbreiten Im Gegensatz zur Fixierung der Multiplikatoren werden jetzt Ansätze betrachtet, in denen durch Festlegung von Ober- und Unterschranken bestimmte Bandbreiten vorgegeben werden, innerhalb derer die Optimierung der Gewichte erfolgen darf. Die einfachste Möglichkeit besteht darin, für ein Input-Gewicht ν i absolute Beschränkungen der Form ν i ≤ ν i ≤ ν i , i ∈ G ⊆ {1,..., m} zu verwenden. Diese Beschränkungen müssen aber in plausibler Weise begründet sein, da die Flexibiltät der Methode hierdurch besonders stark eingeschränkt wird. Werden die l1 Beschränkungen der Output-Gewichte und die l 2 Beschränkungen der Input-Gewichte in der l1 × s Matrix Q bzw. der l 2 × m Matrix P ausgedrückt, kann beispielsweise das primale inputorientierte Modell (10) folgendermaßen formuliert werden: max h0 = µY0 u.d.N. νX 0 = 1,
µY − νX ≤ 0, (19)
µr Q ≤ 0, ν i P ≤ 0, µr ≥ 0;ν i ≥ 0. Durch die Einführung dieser Beschränkungen wird eine geringere Wahrscheinlichkeit zugelassen, mit der unbedeutende Input- und Outputfaktoren in die Effizienzanalyse 538 539
Vgl. Bauer (2002), S. 119 f. Vgl. Dyson/Thanassoulis (1988), S. 567 ff. Hier wird die Vorgehensweise anhand eines realen Beispiels mit einem Input und vier Outputs erläutert.
177 einfließen. Letztlich werden die durch das Grundmodell zugelassenen Unterschiede zwischen den Gewichtungsfaktoren eingeschränkt, so dass die Anzahl CCReffizienter Entscheidungseinheiten sinkt.540 Auch wenn absolute Gewichtsbeschränkungen eine sehr einfache Möglichkeit darstellen, erscheinen diese nur in den wenigen Fällen befriedigend, in denen nur ein Input benötigt wird. Die untere Grenze für einen Output r kann dann durch die Höhe des Inputverbrauchs bestimmt werden, der für die Produktion einer Einheit von Output r benötigt wird. Durch Nutzung dieses Ressourcenanteils eines Inputs, der mindestens für eine Einheit Output aufzuwenden ist, kann sichergestellt werden, dass keine DMU einen zu hohen Effizienzwert erhalten kann, indem dieser Output bei der Berechnung ausgeschlossen wird. Absolute Begrenzungen sind auch problematisch, weil sie nur für eine spezifische DMU gültig sind und daher für unterschiedliche DMUs unterschiedliche Begrenzungen benutzt werden müssten (heterogene Beschränkungen).541 Um Gewichtsbeschränkungen zu erhalten, die für alle Einheiten gelten (homogene Beschränkungen) können Restriktionen der Verhältnisse von Gewichten verwendet werden.542 Beispielsweise kann das Verhältnis der Gewichtungsfaktoren ν i und ν t durch das Intervall ν it ≤ ν i / ν t ≤ ν it , (i , t ) ∈ H ⊆ {1,..., m}× {1,..., m} beschränkt werden, wobei ν it und ν it die Unter- und Obergrenzen des Intervalls darstellen.543 Durch solche Verhältnisbeschränkungen wird sichergestellt, dass sich der Relativpreis der beiden Inputs, der den trade-off zwischen diesen Inputs widerspiegelt, nur in der vorgegebenen Bandbreite (sog. assurance region) bewegt.544 Auch relative Beschränkungen der virtuellen Inputs bzw. Outputs einer DMU j ν i ≤
bzw. µ ≤ r
xijν i ≤ ν i , i ∈ F1 ⊆ {1,..., m} νX j
y rj µr ≤ µ r , r ∈ F2 ⊆ {1,..., s} können vorgenommen werden. Diese bieten µY j
eine Möglichkeit, Einschätzungen über den gewünschten Beitrag der entsprechenden Inputs und Outputs zur Gesamteffizienz einzubeziehen.545
1.6.2.3. Ordinale Multiplikatoren In manchen Situationen ist nur die relative Wichtigkeit verschiedener Inputs und Outputs bekannt. Es kann dann z.B. nicht auf einer metrischen Skala angegeben werden, wie wichtig Image und Zuverlässigkeit für die Entscheidung zum Kauf eines 540 541 542 543 544 545
Vgl. Thompson et al. (1990), S. 100. Vgl. Roll/Cook/Golany (1991). Vgl. Thompson et al. (1990), S. 96 ff. Vgl. Allen et al. (1997); Cooper/Seiford/Tone (2000), S. 152. Vgl. Dyson et al. (2001), S. 255; Keeney/Raiffa (1976). Vgl. Wong/Beasley (1990).
178 Neuwagens sind. Möglicherweise liegen jedoch etwa durch die Ermittlung von Teilnutzenwerten mittels einer Conjoint-Analyse Aussagen über die relativen Wichtigkeiten und damit über ordinalen Zusammenhänge einzelner Produktmerkmale vor. So kann bekannt sein, dass der Kauf stärker vom Image der Marke als von der Zuverlässigkeit des Automobils abhängt. Soll diese Rangfolge in einer DEA erhalten bleiben, dann müssen ordinale Beziehungen zwischen den Input- und Outputmultiplikatoren spezifiziert werden. Ordinale Beziehungen zwischen l 2 der m Inputfaktoren werden ausgedrückt als ν m − l 2 +1 > ν m − l 2 + 2 > ... > ν m ≥ ξ . Dies Vorgabe ordinaler Beziehungen für das Verhältnis der Gewichte stellt damit einen Spezialfall des Modells mit Bandbreiten (17) dar. Sie kann erreicht werden, indem die obere Schranke auf 1 gesetzt, jedoch keine untere Schranke vorgegeben wird, d.h. es gilt für das obige Beispiel ν it = 1 und ν it = −∞ .546 Das generelle Problem aller Gewichtsbeschränkungen besteht darin, dass sich die Interpretation der Ergebnisse der DEA-Modelle verändern. So sind die Effizienzwerte restringierter DEA-Modelle nicht mehr radial zu interpretieren, d.h. die Targets einer ineffizienten DMU0 weisen evtl. geringere Niveaus einiger Outputs und evtl. höhere Niveaus einiger Inputs als DMU0 auf. Die Input- bzw. Output-Mixes sind damit nicht mehr identisch.547 Die Anwendung von Gewichtsrestriktionen muss daher sorgfältig überlegt und durch zusätzliche Analysen gut begründet werden.
1.6.2.4. Transformation der Daten Bisher wurde dargestellt, wie sich Präferenzen bzw. Bewertungen der Entscheider in die DEA integrieren lassen, indem direkt die Gewichte beeinflusst werden. Eine andere Möglichkeit besteht darin, die Präferenzen indirekt einzubeziehen, indem die Input- und Outputdaten so verändert werden, dass die Gewichte die Präferenzen widerspiegeln. Die Gewichtsbeschränkungen werden dann implizit in Form von Datenveränderungen vorgenommen. Die bekannteste Vorgehensweise ist der sog. Cone-Ratio-Ansatz. Grafisch gesprochen werden durch Vorgabe von Regionen, in denen sich die Gewichte bewegen dürfen, polyhedrale konvexe Kegel (cones) im InputOutput-Raum aufgespannt, welche den zulässigen Bereich der Input- und Outputmultiplikatoren angeben.548 Die Input- und Outputdaten der DMUs werden mittels bestimmter Matrizen zulässiger Multiplikatoren so transformiert, dass sich die resultierenden Gewichte nur innerhalb der gewünschten Kegel bewegen. Werden die Outputdaten durch die Matrix G transformiert, dann ergibt sich der polyhedrale kon546 547 548
Vgl. Ali/Cook/Seiford (1991), S. 734 ff. Vgl. Allen et al. (1997). Vgl. Charnes et al. (1989); Charnes et al. (1990), S. 74 ff.
179 vexe Kegel UCR , der die Outputmultiplikatoren µ beschränkt, als UCR = GT γ (γ ≥ 0) . Werden die Inputdaten durch A transformiert so definiert sich der Kegel VCR der Inputmultiplikatoren ν durch VCR = AT α (α ≥ 0) .549 Die Matrizen mit den zulässigen Multiplikatoren können entweder durch Managementpräferenzen oder Expertenmeinungen vorgegeben sein. Es lassen sich aber auch die ermittelten Gewichtungsvektoren jener Einheiten als Schranken heranziehen, die in der Lösung des unrestringierten CCR-Modells als effizient identifiziert wurden. Der Vorteil besteht darin, dass der Cone-Ratio-Ansatz allgemeiner ist als Gewichtsrestriktionen und daher auch solche exogenen Bewertungen integrierbar sind, die sich nicht in Gewichtsrestriktionen übersetzen lassen.550 Durch die Cone Ratios werden diese effizienten Input-Mixes als die „überlegenen“ angesehen und als Bewertungsmaßstab aller anderen Einheiten herangezogen. Die übrigen Einheiten werden so gezwungen, ihre Leistung unter Verwendung des als erstrebenswert angesehenen Input-Mixes zu optimieren. Dies kann etwa im Gesundheitswesen relevant sein, wo die Behandlungsmethoden und Instrumente der besten Ärzte oder Kliniken als Norm für alle übrigen vorgegeben werden. So zeigen Chilingerian/Sherman, dass sich die Inputeinsätze (Hausbesuche, bestimmte Untersuchungen, Gesprächstermine) erfolgreicher Allgemeinärzte alle in ähnlichen Regionen bewegen, die dann z.B. von Krankenkassen oder Gesundheitsämtern für die Leistungsbewertung aller Ärzte als Vorbild zu Grunde gelegt werden. Die Matrizen aus zulässigen Inputmultiplikatoren werden dann genutzt, um die Inputfaktoren aller Entscheidungseinheiten entsprechend des gewünschten Bewertungssystems zu transformieren.551
1.6.3.
Validitäts- und Signifikanzprüfungen der DEA-Effizienzwerte
Bevor auf Basis der Effizienzwerte möglicherweise weit reichende Maßnahmen ergriffen werden, sollte eine Qualitätsprüfung der Ergebnisse erfolgen, um festzustellen, ob die Resultate sinnvoll interpretiert werden können und stabil sind. Eine solche Überprüfung ist nach Anwendung der DEA v.a. deshalb geboten, da durch deren deterministischen Charakter das Problem besteht, dass Datenfehler aufgrund von Messfehlern oder Zufallseinflüssen nicht modelliert werden. Solche Messfehler können zu Extremwerten führen, welche die Effizienzwerte einiger oder sogar aller evaluierten Entscheidungseinheiten verzerren.552 In der kritischen Würdigung der DEA wurde darauf hingewiesen, dass statistische Tests aufgrund fehlender Verteilungs549 550 551 552
Vgl. Charnes et al. (1989); Thanassoulis/Portela/Allen (2004), S. 119 f. Vgl. Thanassoulis/Portela/Allen (2004), S. 120 f. Vgl. Chilingerian/Sherman (1997). Vgl. Wilson (1995), S. 27.
180 annahmen nicht möglich sind. Um dennoch Datenfehler erkennen und die entsprechenden Datensätze aus der Analyse entfernen zu können, wurden in der Literatur in jüngster Zeit einige Verfahren entwickelt, die sich noch in ihren Anfängen befinden und in DEA-Anwendungen bisher kaum zum Einsatz gekommen sind. Gubelt/Padberg/Werner schlagen eine Sensitivitätsanalyse dergestalt vor, nach Durchlauf einer DEA alle CCR-effizienten DMUs aus dem Datensatz zu entfernen und die Berechnung erneut durchzuführen. Führt die erneute Berechnung zu starken Unterschieden in den Ergebnissen der verbliebenen Einheiten, so sind diese kritisch daraufhin zu überprüfen, ob sie tatsächlich vergleichbar sind. Weichen die neu berechneten DEA-Ergebnisse nur geringfügig ab (Gubelt/Padberg/Werner nennen eine Obergrenze für die durchschnittliche Abweichung von 7,5%), so dürfen die generierten DEA-Benchmarks als stabil angesehen werden.553 Es kann dann angenommen werden, dass die Unterschiede der Effizienzwerte tatsächlich signifikant und nicht zufällig sind. Doyle/Green raten zu einer Überprüfung der Sensitivität der ermittelten Effizienzwerte h bei Veränderungen der Gewichtungen. Hierdurch lassen sich Außenseiter, sog. Mavericks, identifizieren, die nur aufgrund extremer Gewichtungen in der Folge extremer Input- oder Outputspezialisierungen einen hohen bzw. maximalen Effizienzwert erhalten (sog. false positives). Die Ermittlung von Extremwerten erfolgt durch Berechnung von Kreuzeffizienzen. Die Kreuzeffizienzen einer DMU0 sind die Effizienzwerte, die diese mit den jeweils optimalen Gewichten der n − 1 übrigen Vergleichseinheiten erhalten würde.554 Kreuzeffizienzen ermöglichen somit eine Bewertung aus dem Blickwinkel anderer Vergleichseinheiten einer bestimmten Peer Group, die entweder durch alle übrigen Einheiten gebildet wird oder in die nur vergleichbare effiziente Einheiten eingehen, mit denen zusammen eine Referenztechnologie gebildet wird. Dies entspricht der Überkreuzvalidierung in den traditionellen parametrischen Marktforschungsmethoden (Regression, LISREL). Aus allen Kreuzeffizienzwerten wird ein durchschnittlicher Peer-Group-Kreuzeffizienzwert CE P für DMU k gebildet.555 Anhand (20) wird der Maverick-Index Mk berechnet. (20)
Mk =
hk − CEPk CEPk
Je höher der Wert für M k , desto eher ist k ein Außenseiter.556 Nach Doyle/Green ist ab einem M von größer 1 von einem Ausreißer zu sprechen. Dies wäre z.B. der Fall, 553 554 555 556
Vgl. Gubelt/Padberg/Werner (2000), S. 298 f. Vgl. Doyle/Green (1995), S. 205 ff. Vgl. Doyle/Green (1994), S. 574 f. Vgl. Doyle/Green (1994), S. 575. Die normalen DEA-Werte sind natürlich stets höher als der Durchschnitt der „fremden“ Effizienzwerte (CE-Werte), da erstere auf Basis der optimalen Gewichte berechnet wurden und somit immer den höchsten Effizienzwert ergeben.
181 wenn die durchschnittliche CE einer effizienten DMU (d.h. hk = 1) nur 0,4 betrüge, da dann ein M von (1-0,4)/0,4 = 1,5 vorläge. Diese Betrachtung kann für alle Einheiten in der Stichprobe angewendet werden, bietet sich aber besonders für die als effizient klassifizierten DMUs an. Gerade bei den auf dem effizienten Rand gelegenen Objekten ist das Vorliegen von Messfehlern kritisch, da dann auch die Effizienzwerte sämtlicher Einheiten verzerrt sind, die sich mit dieser DMU direkt oder mittels der virtuellen Referenzeinheit vergleichen. Falls z. B. Messfehler in den Daten einer ineffizienten DMU (z.B. K in Abbildung 19) vorhanden sind, hat dies lediglich Auswirkung auf die Effizienzbewertung dieser DMU selbst. Falls jedoch die Daten einer auf dem effizienten Rand liegenden Einheit - z.B. von I - fehlerbehaftet sind, so wäre die Effizienzmessung aller in der grau schraffierten Kegelfläche liegenden Punkte ebenfalls fehlerhaft, da all diese Punkte durch I (mit)gebenchmarkt werden.557 Werden die Inputs von I durch Datenfehler geringer ausgewiesen als sie tatsächlich sind bzw. werden die Outputs überschätzt, so wird der Rand zu weit in Richtung Ursprung „geschoben“. Dies führt dann zu einer negativen Verzerrung der Effizienzwerte aller im grauen Kegel befindlichen Einheiten, da deren Abstand zum Rand größer wird. 2 1,8
B
1,6 A Input 2 / Output 1
1,4 1,2 1
K
F J
0,8
G H
0,6
E
I
0,4
D
0,2
C
0 0
0,2
0,4
0,6
0,8
1
1,2
1,4
1,6
Input 1 / Output 1
Abbildung 19: Auswirkungen von Messfehlern im Rahmen der DEA
Daher sollten v.a. die effizienten Beobachtungen keine M k -Werte von > 1 aufweisen. Wird jedoch für M k ein hoher Wert festgestellt, so sollte die betreffende Einheit detailliert auf mögliche Unzulänglichkeiten überprüft und ggf. aus dem Datensatz aus557
Vgl. Berger (1993), S. 264; Berger/Humphrey (1997), S. 178.
182 geschlossen werden. Liegen jedoch für die überwiegende Mehrheit der DMUs Maverick-Werte von 1 vor, kann von signifikanten und robusten Effizienzwerten ausgegangen werden, d.h. es liegen keine nennenswerten Datenfehler in der Stichprobe vor.
1.6.4.
Integration nicht diskretionärer Variablen und Überprüfung der Auswahl der Inputs und Outputs
Als nicht diskretionär (nicht kontrollierbar, exogen fixiert) werden solche Inputs und Outputs bezeichnet, die außerhalb des Einflussbereichs der DMU liegen (z.B. Umweltvariablen) und daher von dieser zumindest nicht unmittelbar und kurzfristig beeinflusst werden können.558 Dies sind üblicherweise standortbezogene Wettbewerbsoder Infrastrukturfaktoren, wie Kundenpotenzial, Wettbewerbsintensität, Kaufkraft etc.. Die Berücksichtigung nicht kontrollierbarer Inputs und Outputs im Rahmen eines DEA-Modells ist von zentraler Bedeutung, um etwa zu verhindern, dass einer Vergleichseinheit Benchmarks zugewiesen werden, die mit ihr aufgrund unterschiedlicher Umweltvariablen nicht vergleichbar sind.559 Für das Beispiel der Vertriebsteams wäre dies etwa der Fall, wenn bestimmte Teams über viel bessere Ausprägungen der nicht kontrollierbaren Inputs verfügen, weil sie etwa in Gebieten mit hoher Kaufkraft aufgrund einer hohen Dichte vermögender Kunden arbeiten. Durch die Berücksichtigung nicht kontrollierbarer Variablen kann verhindert werden, dass Unterschiede in den Ausprägungen dieser Variablen zwischen zwei Vergleichseinheiten irrtümlich als Effizienzunterschiede interpretiert werden. Würde eine Einheit hauptsächlich durch eine exogen fixierte Variable als ineffizient eingestuft, wäre es ihr unmöglich, den Rand zu erreichen. Ein Ansatz zur Behandlung nicht kontrollierbarer Inputs ist die Trennung der Menge der Inputvariablen in eine Untermenge diskretionärer ( ID ) und nicht diskretionärer ( IND ) Inputs. Letztere wird aus der Bestimmung des Zielfunktionswertes ausgeschlossen, indem θ nur in der NB für die i ∈ ID enthalten ist. Somit wird IND bei der Optimierung des Effizienzwertes nicht berücksichtigt.560 In den Nebenbedingungen ist IND jedoch als zusätzliche Restriktion integriert, um die Bestimmung eines vergleichbaren Benchmarks zu gewährleisten und nicht diskretionäre Variablen damit indirekt einzubeziehen. Auch die Slacks der nicht diskretionären Inputs werden nicht in die Zielfunktion integriert, so dass von Null verschiedene Slacks keinen Eingang in
558 559 560
Vgl. Allen (2002), S. 86. Vgl. Staat (1999), S. 28. Vgl. Banker/Morey (1986), S. 515.
183 den Effizienzwert finden. Daraus ergibt sich das duale inputorientierte BCC-Modell mit teilweise exogen fixierten Inputs:561 min θ0 − κ (s + + s − )
λ ,s + ,s −
i ∈I D
u.d.N. Yλ − s + = Y0 ,
θX 0 − Xλ − s − = 0 für alle i ∈ ID , (21) X 0 − Xλ − s − = 0 für alle i ∈ IND , eλ = 1,
λ , s + , s − ≥ 0. Auf diese Weise wird eine „Bestrafung“ der betrachteten Vergleichseinheit durch ungünstige Rahmenbedingungen verhindert. Eine DMU wird nur mit solchen Einheiten verglichen, denen von dem nicht beeinflussbaren Input (z.B. Kundenpotenzial) höchstens genauso viel zur Verfügung steht, die also in einem gleichartigen oder schlechteren Umfeld operieren.562 In diesem Abschnitt sei auch auf die Problematik der Auswahl der Inputs und Outputs eingegangen. Wie bei allen Methoden hängt auch bei der DEA die Güte der Ergebnisse davon ab, dass alle relevanten Input- und Outputgrößen berücksichtigt sind und diese auch tatsächlich in einem Input-Output-Zusammenhang stehen. Donthu/ Hershberger/Osmonbekov betonen, dass die DEA-Effizienzwerte sensitiv darauf reagieren, welche und wie viele Variablen ausgewählt werden. Sie schlagen vor, die Effizienzwerte eines Modells mit allen ausgewählten Variablen („full model“) mit den Effizienzwerten von Teilmodellen, in denen jeweils eine Variable entfernt wird („omitted variable models“), zu vergleichen, um die Sensitivität des Modells abzuschätzen. Sie berechnen für eine Marketinganwendung mit 3 Inputs und 2 Outputs sowohl die Effizienzwerte des „full model“ und die Effizienzwerte der fünf „omitted variable models“. Anschließend berechnen sie die jeweiligen Korrelationen zwischen den Effizienzwerten des vollständigen Modells und denen der „omitted models“. Es zeigt sich, dass die Korrelationen zwischen 0,54 und 0,91 schwanken, d.h. bei einigen Variablen das Weglassen einen erheblichen Einfluss auf die Berechnung der Effizienzwerte ausübt.563 Die Variablen, deren Weglassen zu sehr niedrigen Korrelationen mit 561 562 563
Vgl. Staat (1999). Vgl. Allen (2002), S. 86 f. Vgl. Donthu/Hershberger/Osmonbekov (2005), S. 1480.
184 den Effizienzwerten des Gesamtmodells führt, sind als besonders kritisch und einflussreich zu sehen. Vor einer DEA-Anwendung sollte daher intensiv abgewogen werden, welche Variablen in die Analyse aufgenommen werden. Generell und insbesondere in dem Bereich, aus dem die besonders einflussreichen Variablen stammen (in der Anwendung von Donthu/Hershberger/Osmonbekov der Bereich „Managementerfahrung“) ist nach weiteren potenziell relevanten Größen zu suchen. Die wichtigste Grundlage bildet hierfür das Zielsystem des Anwenders. Alle für die Effizienz relevanten Zielgrößen sind als zu minimierende (Inputs) oder zu maximierende (Outputs) Größen zu erfassen.564 Für die Outputseite ist es gerade im Marketing wichtig, sowohl ökonomische als auch vorökonomische Faktoren mit in die Analyse aufzunehmen. So können die psychografischen Faktoren als Indikatoren für zukünftige potenzielle Gewinne gesehen werden, während die ökonomischen Faktoren die gegenwärtige bzw. vergangene Gewinnsituation abbilden.565 Des Weiteren sollten, um einen kausalen Zusammenhang zumindest unterstellen zu können, die Input- und Outputvariablen positiv (zumindest aber nicht negativ) korreliert sein.566
1.6.5.
Messung von allokativer Effizienz
Banker/Maindiratta entwickeln ein Modell, mit dem es möglich ist, neben der technischen Effizienz (ausgedrückt durch die Nähe zum Rand) auch allokative Effizienz (als Maß für die richtige Proportionierung der Inputs) zu bestimmen. Durch Multiplikation beider Komponenten kann die Kosteneffizienz einer DMU ermittelt werden.567 Hierfür müssen Daten zu Faktorpreisen der Inputs in das Modell integriert werden. Ist dies möglich, kann die kostenminimale Inputkombination bestimmt werden, mit der festgelegte Outputs hergestellt werden können. Ein kosteneffizientes Inputbündel wird erreicht, wenn eine Einheit eine effiziente Technologie verwendet (also auf dem Rand liegt) und zusätzlich mit der bzgl. der Faktorpreise optimalen Proportion der Inputs produziert (also allokativ effizient ist). Durch die zusätzliche Berücksichtigung der allokative Effizienz ist es möglich, Effektivitätsbetrachtungen in die DEA zu integrieren, indem innerhalb der Kombinationen, die die Dinge effizient tun, auch die richtige (profitabelste) Kombination gewählt werden kann. Die kosteneffiziente Kombination wird durch den Tangentialpunkt von Kosten- und Randproduktionsfunktion repräsentiert. D ist ein kosteneffizientes Inputbündel, d.h. es liegt auf dem Rand und ist allokativ effizient. 564 565 566 567
Vgl. Donthu/Yoo (1998), S. 103; Dyckhoff (2006). Vgl. Achabal/Heineke/McIntyre (1984), S. 108. Vgl. Dyson et al. (2001), S. 248. Vgl. Banker/Maindiratta (1988).
185
2 1,8
B
1,6 A Input 2 / Output 1
1,4 1,2 1
K
F J
VA
0,8
G 0,6
H
I
E
V‘A
0,4
D C
0,2 0 0
0,2
0,4
0,6
0,8
1
1,2
1,4
1,6
Input 1 / Output 1
Abbildung 20: Bestimmung von allokativer und Kosteneffizienz im Rahmen der DEA
Einheit E arbeitet allokativ effizient, da der Fahrstrahl durch diesen Tangentialpunkt führt, ist aber technisch ineffizient, da sie nicht auf dem Rand liegt. Bei I ist der Fall gerade umgekehrt. Die Kosteneffizienz von Einheit A misst die durch Verwendung eines kostenminimalen Inputverhältnisses mögliche Kostensenkung. Diese wird in eine Kostensenkung durch Erhöhung der technischen Effizienz hA (d.h. Vermeidung von Inputverschwendung durch Bewegung von A zu VA ) und eine Kostensenkung durch Erhöhung der allokativen Effizienz aA (d.h. Bewegung von VA zu D) aufgespaltet. Diese beiden Kostensenkungspotenziale werden grafisch durch die Teilstreckenverhältnisse hA = 0VA / 0 A und aA = 0VA ' / 0VA angegeben, deren Multiplikation die Kosteneffizienz k A ergibt, die durch das Streckenverhältnis 0VA ' / 0 A gemessen wird. Die Kosteneffizienz kann bestimmt werden, indem im dualen Minimierungsmodell (11) ein Vektor von Inputpreisen bzw. im Maximierungsmodell (10) ein Vektor der Output-Marktpreise eingefügt wird, mit denen die Input(Output)quantitäten zu multiplizieren sind. Auf diese Weise entsteht das Kostenminimierungs(Erlösmaximierungs)modell der DEA, auf dessen Darstellung verzichtet wird.568 Aufgrund der monetären Betrachtung wird die Slack-Problematik automatisch gelöst, indem 568
Vgl. dazu Coelli et al. (2005), S. 269 ff.
186 suboptimale Input-Kombinationen entsprechend geringere Kosteneffizienzwerte erhalten.
1.7.
Abschließende Würdigung der DEA
Mit der DEA wird in dieser Arbeit für ein Verfahren der relativen Marketingeffizienzanalyse plädiert, welches die meisten Mängel der einfachen, kennzahlenbezogenen sowie der parametrischen Verfahren vermeidet. Dies wird gewährleistet durch eine produktions- und entscheidungstheoretische Fundierung der Methode. Erstere erlaubt es, komplexe multidimensional beschriebene Problemfelder zu modellieren, da multiple Outputs und multiple Inputs in Beziehung gesetzt werden können. Zum anderen erlaubt es die entscheidungstheoretische Fundierung, die einzelnen Inputs und Outputs endogen zu gewichten und in ein einziges Effizienzmaß zu transformieren. Dieses wird zu vergleichbaren Entscheidungseinheiten in Relation gesetzt.569 Die DEA repräsentiert dabei einen Algorithmus, mit dessen Hilfe eine exakte Bestimmung des adäquaten Benchmarks im Input-Output-Raum möglich ist, dessen Koordinaten unmittelbar als Zielwerte herangezogen werden können, wodurch Handlungsempfehlungen „quantifiziert“ werden, und zwar in Form notwendiger Veränderungen aller Inputs und Outputs. Der adäquate Benchmark wird durch jene Vergleichseinheit auf der Produktionsfunktion gegeben, die den Abstand einer ineffizienten DMU zum Rand minimiert. Demgegenüber liefern einfache Verfahren meist keine Hinweise darauf, welches Objekt als geeigneter Benchmark aus der Menge möglicher Referenzobjekte auszuwählen ist. Die Möglichkeit, mehrere Input- und Output-Parameter zu integrieren, erlaubt eine ganzheitliche Effizienzbewertung und eine simultane Optimierung aller relevanten Performancevariablen.570 Die DEA beschränkt sich somit nicht auf die Bestimmung von Teilproduktivitäten, sondern stellt ein Maß für die Gesamteffizienz (overall efficiency) zur Verfügung. Auf diese Weise lassen sich auch Verbesserungsempfehlungen für alle Variablen ableiten, wodurch die Managementrelevanz erheblich gesteigert wird. Die DEA ist somit in der Lage, Ineffizienzen zu identifizieren, die mit anderen Verfahren unter Umständen unentdeckt blieben.571 Durch den Ausweis einer relativen Effizienz als prozentualer Abstand vom effizienten Rand wird zudem eine Skaleninvarianz, d.h. eine Interpretation der Effizienzwerte unabhängig von der Art der Messung der Inputs und Outputs erreicht. Es können sowohl reale als auch monetäre Größen integriert werden, wodurch alle Arten von Daten für eine DEA ver-
569 570 571
Vgl. Golany et al. (1990), S. 101; Thomas et al. (1998), S. 500. Vgl. Bouyssou (1999), S. 974. Vgl. Epstein/Henderson (1989), S. 100.
187 wendbar sind.572 Insbesondere werden durch den Ausweis technischer Effizienz weiterhin keine Preis- oder Kosteninformationen benötigt. Dieser Vorzug erlaubt die Berücksichtigung qualitativer und vor-ökonomischer Größen (wie Markenimage, Zufriedenheit, Loyalität etc.), die gerade im Marketing von zentraler Bedeutung sind. Eine weitere Stärke der DEA besteht in der nicht parametrischen Vorgehensweise, die es erlaubt, den Verlauf der Produktionsfunktion und damit die Funktionsparameter flexibel an die empirischen Gegebenheiten anzupassen. Im Rahmen der DEA wird ein individueller Optimierungslauf für jede einzelne Einheit in der Stichprobe vorgenommen. Davon profitieren die Untersuchungsobjekte dadurch, dass nur die mit den eigenen Stärken und Schwächen vergleichbaren Einheiten als Benchmarks gegenübergestellt werden.573 Diese Stärke der DEA entfaltet sich vor allem im Marketing, einem Bereich, in dem in der Regel keine einheitlichen Standards für die Bewertung der Inputs und Outputs (etwa in Form von Marktpreisen) existieren. Demgegenüber muss bei parametrischen Verfahren die funktionale Form des effizienten Randes über alle Beobachtungseinheiten hinweg exakt spezifiziert werden, wobei oftmals ein linearer Zusammenhang angenommen wird, was vielfach eine zu starke Vereinfachung darstellt.574 Die Funktionsparameter werden dann unter der Maßgabe ermittelt, für alle DMUs übergreifend gültig zu sein. Die Steigung einer linearen Produktionsfunktion gibt an, in welchem Verhältnis Inputs in Outputs transformiert werden. Eine solche Funktion lässt sich als eine bestimmte Strategie der Transformation auffassen, ausgedrückt durch eine bestimmte Gewichtung der Einflussfaktoren.575 Diesem Vorgehen liegt die wenig realistische Annahme der Existenz „der einen“ richtigen Strategie der Transformation für alle Beobachtungspunkte zu Grunde. Die Efficient Frontier der DEA stellt hingegen eine Zusammensetzung aus verschiedenen Teilfunktionen mit unterschiedlichen Steigungen dar. Damit lässt sich die Randkurve als Kombination der abschnittsweise effizienten Strategien verstehen, wobei sich diese Gewichtungen (Steigungen) endogen aus den Daten ergeben. Eine nicht parametrisch bestimmte Randfunktion repräsentiert eine ganze Menge von effizienten Strategien in Form einer Menge unterschiedlicher Benchmarks. Somit wird dem grundsätzlichen Postulat im Marketing entsprochen, dass verschiedene Konzepte zum Erfolg führen können.576 Die Schätzung der Produktionsfunktion basiert außerdem nur auf den Best-PracticeBeobachtungen, wodurch als Referenzpunkte die maximal erreichbaren Outputniveaus für bestimmte Inputs vorgegeben werden. Die DEA entspricht dem Prinzip des Lernens von Spitzenstandards statt Ausrichtung am Mittelmaß. Je nach gewähltem 572 573 574 575 576
Vgl. Schefczyk/Gerpott (1994), S. 951. Vgl. Bauer/Hammerschmidt/Garde (2004a). Vgl. Cavallo/Rossi (2002), S. 124. Vgl. Varian (1984). Vgl. Bauer/Hammerschmidt (2002), S. 8.
188 Modell lassen sich ferner die Skalenerträge für die Untersuchungsobjekte bestimmen und zusätzlich mögliche Effizienzsteigerungen identifizieren, die bei Wahl der optimalen Größe realisierbar wären. Indem die Referenzfunktion nur auf Basis realisierter Einheiten und somit realistisch erreichbarer Erfolge gebildet wird, vermeidet die DEA ein Messen an fiktiven Input-Output-Kombinationen in Form von Idealpunkten.577 Die DEA zeichnet sich insgesamt durch ein hohes Maß an praktischer Anwendbarkeit aus, da die Resultate direkt ökonomisch interpretierbar sind und unmittelbar umsetzbare Handlungsempfehlungen liefern. Die durch die DEA ermittelten Variablen unterstützen die Erfüllung der in C-1.4 identifizierten Aufgaben einer relativen Effizienzanalyse. Aufgaben der relativen Effizienzanalyse im Marketing
DEA-Unterstützung durch:
Ermittlung der Ist-Effizienz
Bestimmung des Effizienzwertes θ
Ermittlung des Soll-Zustandes
Bestimmung der Anteile λ der Efficient Peers zur Konstruktion der Referenzeinheit, deren Input- und Outputausprägungen die Zielvorgaben darstellen
Soll-Ist-Vergleich
Ausweis des Abstandes zum effizienten Rand Angabe der Differenz zwischen Ausprägungen der Referenzeinheit und den aktuellen Ausprägungen
Ursachenanalyse / Stärken-Schwächen-Analyse
Bestimmung der Gewichte ν i und der Inputs und Outputs anzeigen
Festlegung von Verbesserungsmaßnahmen
Ausweis notwendiger radialer Input- und Output-Variationen ( 1 − θ ) und zusätzlicher nicht radialer Variationen in Höhe der Slacks si− und s r+
µr , die die Effizienzbeiträge
Tabelle 18: Implikationen der DEA-Resultate für die Analyse der relativen Marketingeffizienz
Damit erlaubt die Methodik, Performanceziele zu identifizieren, und sie gibt den Entscheidungseinheiten exakte Vorgaben, die erreicht werden müssen, um als effizient zu gelten.578 Für die Managementpraxis besitzt die DEA eine besondere Attraktivität, weil ein hohes Maß an Leistungstransparenz erreichbar wird, ohne dass Manager sich über eine Zusammenfassung der einzelnen Performancekennziffern in eine Spitzenkennzahl einigen müssen - diese Verknüpfung wird von der DEA selbst vorgenommen - und bestimmte Benchmarks zur Leistungsbewertung vorab auszuwählen sind - diese werden für alle Einheiten individuell bestimmt. Dadurch lassen sich Entscheidungen und Handlungsvorgaben nachvollziehbar ableiten, da keine subjektiven Präferenzen des Managements wirksam werden.579 Die DEA stellt somit ein
577 578 579
Vgl. Schefczyk (1996), S. 178-179. Vgl. Sowlati/Paradi (2004), S. 261. Vgl. Weibler/Lucht (2001), S. 22.
189 Minimum von Informationsanforderungen an Manager, wodurch der Einsatz auch in Situationen mit hohem Zeitdruck und Ressourcenknappheit möglich ist. Aufgrund der aufgeführten methodischen Eigenschaften muss vor dem Hintergrund der Diskussion bestehender Effizienzanalyseverfahren konstatiert werden, dass für die DEA – trotz der in D-1.5 genannten Probleme - bislang kaum überzeugende Alternativen existieren. Die aufgezeigten Schwächen sind zudem durch die vorgestellten modellunabhängigen Weiterentwicklungen zu einem erheblichen Teil behebbar. Insgesamt liefern die bisherigen Ausführungen zahlreiche Argumente dafür, dass sich die DEA für einen breiteren Einsatz in der Praxis eignet und universell auf unterschiedliche Problembereiche anwendbar ist. Die empirischen Anwendungen dieser Arbeit, die im Produkt-, Preis- und Vertriebsmanagement angesiedelt sind, sollen die Aussagekraft der DEA demonstrieren. Sie sollen zum standardmäßigen, institutionalisierten Einsatz der DEA im Marketingcontrolling animieren. Zuvor erfolgt im folgenden Kapitel jedoch eine Bestandsaufnahme von DEA-Anwendungsbereichen im Marketing, die den derzeitigen State of the Art vermittelt. Für jeden Marketingbereich werden bestehende Forschungslücken identifiziert, die die Wahl der empirischen Untersuchungsobjekte dieser Arbeit begründen.
2.
Anwendungsfelder der DEA im Marketing – Bestandsaufnahme empirischer Befunde
2.1.
Anwendungen zur Analyse der aggregierten Marketingeffizienz
In Abschnitt 2.1 werden DEA-Anwendungen vorgestellt, die sich mit der Marketingeffizienz aus einer instrumentenübergreifenden Perspektive befassen und sich auf der Ebene der Unternehmung bzw. von Geschäftseinheiten (Business Units) bewegen. In der Studie von Golany et al., die den Beginn von DEA-Anwendungen im Marketing markiert, wurde die Effizienz der gesamten Marketingfunktion von eigenständigen Gesellschaften eines Unternehmens untersucht.580 Als Marketingoutputs definieren sie dabei den Umsatz und die Anzahl der Wiederholungskäufe, als Marketinginputs die Aufwendungen für Werbung und Verkaufsförderung. Das Marketing von vier der zehn untersuchten Unternehmen erweist sich als technisch effizient. Um daneben auch die allokative Effizienz der einzelnen Einheiten analysieren zu können, beziehen Golany et al. Marktpreise in die Analyse ein, die in Form eines exogenen Gewichtungsvektors für die Inputs vorgegeben werden. Über die Minimierung des virtuellen Inputs in der Zielfunktion des DEA-Modells bestimmen die Autoren dann den kostenminimalen Input-Mix der effizienten Unternehmen. Dieses Vorgehen ermöglicht die Differenzierung der als operativ effizient klassifizierten Einheiten in Bezug 580
Vgl. Golany et al. (1990).
189 Minimum von Informationsanforderungen an Manager, wodurch der Einsatz auch in Situationen mit hohem Zeitdruck und Ressourcenknappheit möglich ist. Aufgrund der aufgeführten methodischen Eigenschaften muss vor dem Hintergrund der Diskussion bestehender Effizienzanalyseverfahren konstatiert werden, dass für die DEA – trotz der in D-1.5 genannten Probleme - bislang kaum überzeugende Alternativen existieren. Die aufgezeigten Schwächen sind zudem durch die vorgestellten modellunabhängigen Weiterentwicklungen zu einem erheblichen Teil behebbar. Insgesamt liefern die bisherigen Ausführungen zahlreiche Argumente dafür, dass sich die DEA für einen breiteren Einsatz in der Praxis eignet und universell auf unterschiedliche Problembereiche anwendbar ist. Die empirischen Anwendungen dieser Arbeit, die im Produkt-, Preis- und Vertriebsmanagement angesiedelt sind, sollen die Aussagekraft der DEA demonstrieren. Sie sollen zum standardmäßigen, institutionalisierten Einsatz der DEA im Marketingcontrolling animieren. Zuvor erfolgt im folgenden Kapitel jedoch eine Bestandsaufnahme von DEA-Anwendungsbereichen im Marketing, die den derzeitigen State of the Art vermittelt. Für jeden Marketingbereich werden bestehende Forschungslücken identifiziert, die die Wahl der empirischen Untersuchungsobjekte dieser Arbeit begründen.
2.
Anwendungsfelder der DEA im Marketing – Bestandsaufnahme empirischer Befunde
2.1.
Anwendungen zur Analyse der aggregierten Marketingeffizienz
In Abschnitt 2.1 werden DEA-Anwendungen vorgestellt, die sich mit der Marketingeffizienz aus einer instrumentenübergreifenden Perspektive befassen und sich auf der Ebene der Unternehmung bzw. von Geschäftseinheiten (Business Units) bewegen. In der Studie von Golany et al., die den Beginn von DEA-Anwendungen im Marketing markiert, wurde die Effizienz der gesamten Marketingfunktion von eigenständigen Gesellschaften eines Unternehmens untersucht.580 Als Marketingoutputs definieren sie dabei den Umsatz und die Anzahl der Wiederholungskäufe, als Marketinginputs die Aufwendungen für Werbung und Verkaufsförderung. Das Marketing von vier der zehn untersuchten Unternehmen erweist sich als technisch effizient. Um daneben auch die allokative Effizienz der einzelnen Einheiten analysieren zu können, beziehen Golany et al. Marktpreise in die Analyse ein, die in Form eines exogenen Gewichtungsvektors für die Inputs vorgegeben werden. Über die Minimierung des virtuellen Inputs in der Zielfunktion des DEA-Modells bestimmen die Autoren dann den kostenminimalen Input-Mix der effizienten Unternehmen. Dieses Vorgehen ermöglicht die Differenzierung der als operativ effizient klassifizierten Einheiten in Bezug 580
Vgl. Golany et al. (1990).
190 auf ihre Profitabilität. Durch Einbeziehung der Marktpreise ist es also möglich, unter den Einheiten auf dem effizienten Rand jene mit der besten Mittelverwendung zu identifizieren, wobei letzteres als ein Indikator für deren Effektivität interpretiert werden kann.581 Genauere Einsichten in den Zusammenhang zwischen dem Markteintrittszeitpunkt eines Unternehmens und dessen Marketingeffizienz vermitteln Murthi/Srinivasan/ Kalyanaram. Auf Basis einer Untersuchung von 260 Geschäftseinheiten von Konsumgüterherstellern der sog. Fortune-500-Liste für 1974 bis 1977 erweist sich das Ausmaß der Fähigkeiten des Marketingmanagement (marketing skills) als der „missing link“ zwischen den beiden Größen. Die Befunde decken auf, dass der auch in vielen anderen Studien beobachtete signifikant positive Einfluss des Pioneering auf die Marketingeffizienz dadurch erklärt werden kann, dass sich First Mover durch eine überlegene Nutzung der Marketingressourcen auszeichnen. Diese beruht auf der Etablierung einer effizienten Marketingorganisation und hoher Managementexpertise im Sinne eines klugen Managements. Diese höhere Marketingeffizienz drückt sich in der Realisierung eines First Mover Advantage in Form höherer Marktanteile und ROIs in Relation zu den eingesetzten Marketingressourcen aus.582 Im Gegensatz zu den Pionieren weisen Folger hohe Slacks, d.h. exzessive (überproportionale) Marketingaufwendungen auf, was darauf hindeutet, dass sie massiv höhere Investitionen als die Pioniere tätigen mussten, um den gleichen Marktanteil zu erreichen. Chebat et al. analysieren in ihrer branchenübergreifenden Studie die Effizienz der Allokation der Marketingressourcen (d.h. der Inputs). Ziel ist es, die Ressourcenallokation effizienter Unternehmen zu erkunden, um Informationen über deren strategische Erfolgsbedeutung zu erhalten.583 Als effizient klassifizierte Unternehmen tätigen unabhängig von der Branche überdurchschnittlich hohe Marketingausgaben und beschäftigen überdurchschnittlich viele Mitarbeiter im Marketing- und Finanzbereich. Die Allokation der übrigen Ressourcen unterscheidet sich jedoch stark in Abhängigkeit von der Branchenzugehörigkeit. Die Autoren folgern daraus, dass es keine allgemein gültige Allokationsregel bzgl. aller Ressourcen gibt. Anschließend treffen die Autoren über die Analyse der im Rahmen der DEA für die Inputs ermittelten Gewichte (Schattenpreise) Aussagen bezüglich der strategischen Bedeutung der einzelnen Ressourcen. So empfehlen die Autoren, verstärkt in solche Ressourcen zu investieren, die hohe Gewichte aufweisen und folglich von großer strategischer Bedeutung sind, und solche abzubauen, die nur geringe Gewichte aufweisen. Die Zahl der strategisch wichtigen Ressourcen schwankt dabei stark von Branche zu Branche. Relativ konsistent scheint jedoch zu sein, dass der Effizienzwert insgesamt stärker von der 581 582 583
Vgl. Kreuder (2003), S. 101. Vgl. Murthi/Srinivasan/Kalyanaram (1996), S. 333 f. Vgl. Chebat et al. (1994).
191 Allokation der Personalressourcen als von der Allokation der finanziellen Ressourcen abhängig ist, da lediglich zwei finanzielle (die Aufwendungen für Marketing und Forschung), hingegen aber fast alle personellen Ressourcen hohe Gewichte erhalten. Tabelle 19 vermittelt einen Überblick, welche Parameter in weiteren Studien einbezogen wurden und welche Kernbefunde resultieren.584
Autoren / Fragestellung
Analysegegenstand
Inputs
Outputs
Kernbefunde
Golany et al. (1990) Analyse von technischer und allokativer Marketingeffizienz
10 unabhängige Tochtergesellschaften
• Aufwendungen für Werbung
• Umsatz
• 40% der Einheiten sind marketingeffizient
Chebat et al. (1994) Analyse der Effizienz der Allokation der Marketingressourcen
229 Unternehmen aus fünf Branchen
• Aufwendungen für Verkaufsförderung
• Wiederkaufrate
• es wird der kostenminimale Input-Mix ermittelt, der es den Unternehmen ermöglicht, ihre Profitabilität unter Beibehaltung des Marketingeffizienzwertes zu steigern • Gesamt-Marketing• Zufriedenheit des budget Managements mit dem Gewinn (Aufwendungen für Kundendienst, Vertrieb, Werbung, Verkaufsförderung, Public Relations, Marktforschung) • Anzahl Mitarbeiter in den einzelnen Marketingbereichen
• Anzahl Mitarbeiter in Nicht-Marketingbereichen (Finanzen, IT, F&E, Personal)
584
236 Hersteller von Verbrauchsgütern in Reifephase des Produktlebenszyklus’ (19741977)
• Produktqualität • Preis • Marketingausgaben
• effiziente Unternehmen tätigen tendenziell höhere Forschungs- und Marketingausgaben und beschäftigen mehr Mitarbeiter im Finanz- und im Marketingbereich als ineffiziente Unternehmen • durch die Gewichte (Schattenpreise) wird strategische Bedeutung der einzelnen Ressourcen ermittelt • die Anzahl der Ressourcen mit hohen Schattenpreisen schwankt stark innerhalb der einzelnen Branchen
• Gesamter Forschungsaufwand
Murthi/Sriniva san/Kalyanaram (1996) Untersuchung des Zusammenhangs zwischen Markteintrittszeitpunkt, Marketingeffizienz und Managementfähigkeiten
• Differenzierung der effizienten Unternehmen in Bezug auf ihre Profitabilität
• die Effizienz hängt stärker von der Allokation der Personalressourcen als von der Allokation der Finanzressourcen ab • Return on Investment • Marktanteil
• Image • Direkte Kosten (Lohn, Gehalt, Material)
Vgl. Kleemann/Hammerschmidt (2006b); Kreuder (2003), S. 110 ff.
• Pioniere weisen größte Marketingeffizienz auf, da Ressourcen am besten genutzt werden • Späte Einsteiger weisen bei Marketingaufwendungen die größten Defizite auf, d.h. müssen deutlich mehr investieren, um so effizient zu werden wie Pioniere
192 Charnes et al. (1997b) Zeitreihenuntersuchung der Marketingeffizienz unter Berücksichtigung des Wettbewerbsumfeldes
Soft-DrinkHersteller in unterschiedlichen Regionen der USA
• Eigene TVWerbeausgaben • Produktpreis • Preisnachlässe • Durchschnittstemperatur im Vertriebsgebiet • Marktpotenzial • Werbeausgaben der Konkurrenz
• Abgesetzte Menge • Keine Konzentration effizienzu regulären Preiter Unternehmen in bestimmsen ten Regionen • Abgesetzte Menge • Dauerhafte technische Ineffizu Vorteilspreisen zienz vieler Unternehmen über das gesamte Zeitfenster; • Anzahl kaufender dies ist ein Symptom für Haushalte Marktversagen, welches der • Kaufhäufigkeit klassischen Gleichgewichtstheorie widerspricht • Marktanteil • Effiziente Unternehmen schaffen es, einen hohen Produktpreis bei hoher Kauffrequenz durchzusetzen • Hohe Werbeausgaben führen nicht unbedingt zu Effizienz
Donthu / Hershberger/ Osmonbekov (2005) Benchmarking der Marketingeffizienz von Franchiseunternehmen
24 FastFoodRestaurantbetriebe
• Werbe- und Promotionausgaben • Anzahl der Mitarbeiter • Managementerfahrung
• Umsatz • Kundenzufriedenheit
• 50% der Restaurants sind effizient • Bestimmung von Soll-Größen und Verbesserungsvorschlägen anhand des Benchmarks • Nichtberücksichtigung der Managererfahrung verzerrt Effizienzwerte erheblich; die belegt die hohe Bedeutung der Erfahrung für die korrekte Abbildung der Marketingeffizienz
Tabelle 19: Empirische DEA-Studien zur aggregierten Marketingeffizienz
Insgesamt kristallisiert sich auf einer hohen Aggregationsebene der Effizienzbetrachtung im Marketing relativ klar heraus, welche Inputs und Outputs in jedem Fall zu berücksichtigen sind. Forschungslücken bestehen hinsichtlich der Frage, ob sich der gesamte Managementerfolg allein durch die wenigen in der DEA berücksichtigten Faktoren messen lässt. Weiche Faktoren wie Loyalität, Image, Bekanntheit und Dauer der Kundenbeziehungen wurden bisher nicht in Effizienzuntersuchungen der gesamten Marketingfunktion einbezogen. In vielen der vorgestellten Studien werden zudem fast ausschließlich große und erfolgreiche Unternehmen untersucht, was zu Verzerrungen führen kann. Die Analysen aggregieren meist die Daten mehrerer verschiedener Branchen, daher ist unsicher, ob sich auf Segmentebene die gleichen Befunde ergäben. Bezüglich der Arbeit von Murthi/Srinivasan/Kalyanaram ist anzumerken, dass sich seit dem betrachteten Zeitraum 1974-77 die Wettbewerbsverhältnisse auf den Konsumgütermärkten sicherlich stark gewandelt haben, so dass eine Übertragung der Implikationen auf heutige Märkte fraglich ist.
193 2.2.
Anwendungen zur Produkteffizienzanalyse
2.2.1.
Anbieterorientierte Produkteffizienz
Wie bereits in Abschnitt B-3.2.2.1 dargestellt, lässt sich die Effizienz von Produkten bzw. Dienstleistungen aus Sicht des Herstellers (interne Perspektive) und aus Sicht des Konsumenten (externe Perspektive) analysieren. Bei der Analyse der internen Produkteffizienz geht es darum, den Return on Investment der für die Produktentwicklung, -gestaltung und -vermarktung eingesetzten Prozesse zu bewerten. Hier ist zu überprüfen, wie effizient der Aufwand für das Anbieten eines bestimmten Produktes in entsprechende Erlöse transformiert wird. Diese Fragestellung wurde mittels DEA bisher nur für die Erstellung immaterieller Produkte in Form von Dienstleistungen untersucht. So nutzen Soteriou/Zenios und Mukherjee/Nath/Pal die DEA zur Effizienzanalyse der Dienstleistungsqualitätserbringung von Banken. Hierbei wird ein mehrstufiges DEA-Modell verwendet. Als Inputs dienen die Aufwendungen für die Produktion der Dienstleistungen (Kosten der technischen Infrastruktur, Marketingaufwand, Personalaufwand), als Outputs die durch die Erbringung der Dienstleistungen erzielten Einnahmen (Zinseinnahmen, Gebühren). Der Input-OutputZusammenhang wird durch die Qualitätswahrnehmung der Kunden mediiert. Sie stellt aus diesem Grunde den Output der ersten „Produktionsstufe“ (Transformation der operativen Faktoreinsätze in positive Qualitätsbeurteilung) dar, der dann als Input in die zweite Stufe (Transformation der Qualitätsbeurteilung in Erlöse) eingeht. Durch Betrachtung solcher Input-Output-Ketten wird eine Trennung in Qualitäts- und Erlöseffizienz ermöglicht. Mukherjee/Nath/Pal zeigen, dass nur 29% der Banken sowohl qualitäts- als auch erlöseffizient arbeiten. Nur diese Unternehmen schaffen es, den gesamten Prozess der Dienstleistungserstellung – d.h. beide Stufen – erfolgreich zu managen.585 In ihrer anspruchsvollen Studie zur Dienstleistungseffizienz untersuchen Kamakura et al. die Effizienz der sog. Service Profit Chain586 anhand von Filialen einer brasilianischen Bank. Auch hier erfolgt die Messung der Dienstleistungseffizienz mittels eines zweistufigen Modells. Das operative Effizienzmodell repräsentiert die erste Stufe und bildet die Wirkungen der für die Leistungserstellung verwendeten operativen Ressourcen „Infrastruktur“ und „Prozesse“ auf die Qualitätswahrnehmung der Kunden ab. Im zweiten Modell (Kundenverhaltensmodell) wird die effiziente Verwertung einer positiven Qualitätsbeurteilung zur Generierung langfristiger Kundenbindung untersucht, die letztlich den finanziellen Erfolg determiniert.587 Somit stellt der Output der ersten Stufe (Qualitätsbeurteilung) den Input der zweiten Stufe dar. Outputs der
585 586 587
Vgl. Mukherjee/Nath/Pal (2003), S. 730. Vgl. hierzu Heskett et al. (1994). Vgl. Kamakura et al. (2002), S. 294.
194 zweiten Stufe sind Erfolgsmaße des Kundenverhaltens. Der Ansatz berücksichtigt, dass der Ressourceneinsatz durch das operative Filialmanagement dezentral variierbar ist. Die strategische Unternehmenspolitik wird insofern berücksichtigt, als nur Filialen evaluiert wurden, in denen im Kern das gleiche Modell der Leistungserstellung implementiert war. Die Befunde zeigen, dass genau die Filialen die höchsten Pro-Kopf-Gewinne aufweisen, die sowohl auf der operativen Ebene als auch auf der Kundenbindungsebene am effizientesten agieren. Effizienz nur in einem Bereich hingegen ist wenig erfolgreich. Dies zeigt, dass das Management enorme Aktionspotenziale hat, um zum Einen die Ressourcen kosteneffizient zu nutzen und zum anderen durch ein effektives Kundenbindungsmanagement die Profitabilität zu erhöhen.588 Die nachfolgende Tabelle fasst Studien zur Messung der Produkteffizienz aus Anbietersicht zusammen.589 Als Ergebnis des Literaturüberblicks fällt auf, dass sich die Autoren bei der Modellierung der Inputseite, welche die für die Dienstleistungserstellung eingesetzten Ressourcen abbildet, fast ausschließlich auf technische, direkt beobachtbare Potenzialfaktoren (d.h. interne Produktionsfaktoren des tangiblen Umfeldes wie IT-Ausstattung, Anzahl an Geldautomaten oder Zahl der Angestellten) konzentrieren. Hier bestünde zukünftiger Forschungsbedarf hinsichtlich der Einbeziehung qualitativer, stärker prozessbezogener Einsatzfaktoren. So müsste etwa der Zeitaufwand für Beratung, Betreuung, Auftragsbearbeitung etc. berücksichtigt werden.590 Von diesen Einschränkungen abgesehen liegen zur Konzeptualisierung und Analyse der Anbietereffizienz im Bereich der Produktpolitik mit den bestehenden Studien zwar wenige, dafür sehr anspruchsvolle und umfassende Arbeiten vor, die zahlreiche Problemstellungen beleuchten. Durch die in einigen Studien verwendeten mehrstufigen Modelle können die Strukturen der Dienstleistungsproduktion sehr realitätsnah modelliert werden, wodurch bessere Einblicke in den Transformationsprozess gewährt werden, der zwischen den Inputs und Outputs liegt und dadurch weniger einer Black Box gleicht. Allerdings fokussieren sich alle empirischen Studien auf immaterielle Produkte (Dienstleistungen). Ähnliche Studien wären auch für Sachgüter wünschenswert. Vorgaben für eine mögliche Gestaltung einer solchen Untersuchung könnte den konzeptionellen Überlegungen von Rust/Moorman/Dickson entnommen werden.
588 589 590
Vgl. auch Kleemann (2004), S. 121 f. Vgl. auch Kleemann (2004), S. 130 f. Vgl. Frei/Harker (1999), S. 302 ff.; Xue/Harker (2002).
195 Verfasser / Fragestellung
Analysegegenstand
Inputs
Outputs
Soteriou / Zenios (1999) Messung der internen Dienstleistungsqualitätseffizienz
Finanzdienstleistungen einer Großbank im Mittelmeerraum
Ressourcen:
• Von den Angestellten • durchschnittliche Effi-
• Einsatz leitender Angestellter
• Einsatz an Servicepersonal
Kernbefunde
zienz liegt bei 78,6 % eingeschätzte Dienstleistungsqualität • Massive Unterschiede in (bzgl. der SERVden Effizienzwerten (MiQUAL-Dimensionen) nimum: 0,39) • Art und Qualität des Kundenstamms haben erhebliche Auswirkungen auf die Dienstleistungsqualität
• Computerausstattung • Arbeitsfläche Mikro-Umwelt:
• Anzahl Privatkunden • Anzahl Geschäftskunden
• Anzahl Kreditanträge • Provisionen Kamakura et al. (2002) Analyse der Dienstleistungseffizienz entlang der Service Profit Chain
Bankdienst- 1. Stufe (Operatives Effizienzmodell): leistungen in Brasilien • Anzahl an Geldautomaten
• Anzahl leitender Angestellter
• Anzahl nicht leitender
1. Stufe:
• Anzahl an Stammkunden
• getätigte Transaktionen
• Weiterempfehlungen von Kunden
Angestellter und Kassierer 2. Stufe (Kundenverhaltensmodell):
• Weiterempfehlungen von Kunden
2. Stufe:
• Kundenbindung (Dauer der Beziehung mit Stammkunden)
• finanzieller Erfolg
• 35 effiziente Filialen auf der 1. Stufe, nur 10 effiziente Filialen auf der 2. Stufe • Nur 5 Filialen sind auf beiden Stufen effizient (d.h. gesamteffizient); diese Filialen weisen auch den höchsten Gewinn pro Mitarbeiter auf • eine effiziente Konfiguration und Implementierung der gesamten Service Profit Chain sind Voraussetzungen für Profitabilität der Dienstleistungen
(durchschnittlich verwalteter Geldbetrag) über alle Kunden
• finanzieller Erfolg (durchschnittlich verwalteter Geldbetrag) mit Stammkunden Mukherjee/ Nath/Pal (2003) Zweistufige Analyse der Effizienz der Dienstleistungserstellung (Qualitäts- und Erlöseffizienz)
Dienstleistungen staatlicher Banken in Indien
1. Stufe (Qualitätseffizienzmodell):
• Bauliche und technische Infrastruktur der Filialen
• Marketingaufwand • Beratungsqualität durch Personal (Kompetenz) 2. Stufe (Erlöseffizienzmodell):
• Wahrgenommene Dienstleistungsqualität
1. Stufe:
• durch Kunden wahr-
• 29% der Filialen sind qualitätseffizient
• Nur 7 Banken waren genommene sowohl qualitäts- als Dienstleistungsauch erlöseffizient qualität (SERVQUAL) • Durchschnittliche Gesamteffizienz liegt bei 0,82
2. Stufe:
• Einlagen • Zinseinnahmen • Sonstige Einnahmen
• Errechnung eines sog. Leistungsverbesserungsindex der Dienstleistungsqualität
Tabelle 20: Empirische DEA-Studien zur anbieterorientierten Produkteffizienz
196 2.2.2.
Nachfragerorientierte Produkteffizienz
Die externe Richtung der Produkteffizienzanalyse untersucht den Produktwert aus Kundensicht. Hier werden die Investitionen des Kunden in das Produkt als Inputs verstanden (sowohl im Rahmen der Anschaffung als auch der laufenden Nutzung bzw. Unterhaltung). Als Outputs fungieren die Erträge dieser Investitionen in Form der Leistungskomponenten, die ein Kunde mit dem Produkt erwirbt. Im Zuge dieser Definition sind Produkte als Bündel von Input- und Outputattributen zu verstehen.591 Wie in Abschnitt B-3.2.2.2 bereits angedeutet wurde, sind die Aspekte der Produktund der Preiseffizienz nicht einfach getrennt voneinander zu betrachten. Konsumenten optimieren in einer Kaufentscheidung nicht alleinig das Outputlevel, sondern optimieren das Verhältnis des Nutzens aus den Produkteigenschaften (Outputs) zu den dafür zu erbringenden Kosten (Inputs). Der Preis eines Produktes fließt bei der Effizienzanalyse somit über die Inputseite automatisch in die Evaluierung des Angebots ein. Anwendungen der DEA zur Entscheidungsunterstützung bei der Entwicklung und Gestaltung kundengerechter Produkte sind bisher selten. Die wenigen DEA-Studien zur nachfragerorientierten Produkteffizienz können in zwei Gruppen - technisch orientierte und umfassender marktorientierte - unterteilt werden. Im Rahmen der Ansätze der ersten Gruppe, die als engineering applications bezeichnet werden können,592 wird zwar auch der Effizienzwert eines Produktes aus Sicht des Käufers ermittelt, sie unterstellen jedoch, dass ausschließlich technisch-funktionale Attribute dessen Nutzen bestimmen und gegen den zu erbringenden Preis abgewogen werden. Einige dieser Arbeiten sind im B2B-Bereich angesiedelt und untersuchen etwa die Effizienz von Robotern, Maschinen, Flugzeugen oder Lastkraftwagen anhand technischer Parameter wie Traglast, Geschwindigkeit, Luftwiderstand oder Schubkraft.593 Andere Studien untersuchen Konsumgüter (PCs, Drucker, Automobile) anhand technischer Parameter wie Geschwindigkeit, Zuverlässigkeit etc.594 In die Gruppe der technischen Ansätze sind die meisten Studien der externen Produkteffizienzanalyse zuzuordnen. Der auf diese Weise bestimmte Effizienzwert berücksichtigt folglich keine nicht funktionalen (pse) Eigenschaften, die aber für die Kaufentscheidung des Kunden ebenfalls als hoch relevant einzustufen sind. Der Begriff der marktorientierten Produkteffizienz ist deutlicher in Bezug auf den Kunden und die relevanten Wettbewerber definiert als der Begriff der technischen Produkteffizienz. Eine stärkere Kundenorientierung wird erreicht, indem nicht nur die 591 592 593
594
Vgl. Staat/Bauer/Hammerschmidt (2002), S. 207. Vgl. Triantis (2004), S. 402 ff. Vgl. Baker/Talluri (1997); Braglia/Petroni (1999); Bulla et al. (2000); Khouja (1995); Odeck/ Hjalmarsson (1996). Vgl. Doyle/Green (1991, 1994); Fernandez-Castro/Smith (2002); Papagapiou/Mingers/Thanassoulis (1997); Papahristodoulou (1997).
197 funktional-technischen, sondern sämtliche aus Kundensicht relevanten Inputs und Outputs in die Analyse einbezogen werden.595 Damit wird verstärkt der Tatsache Rechnung getragen, dass nur ein aus Kundensicht insgesamt (und nicht etwa nur in Bezug auf die technischen Faktoren) effizientes Produkt einen Wert schafft, was zu Kundenzufriedenheit, Kundenbindung und somit letztlich zur Unternehmenswertsteigerung führt. Die Produkteffizienzanalyse ist somit als Ansatzpunkt zur Steigerung des Wertbeitrags des Marketing zu sehen. Auf diese Weise wird eine gezielte Optimierung der Produkte gemäß den Kundenanforderungen sichergestellt. Eine verstärkte Orientierung am relevanten Wettbewerb drückt sich bei der marktorientierten Produkteffizienzbetrachtung aus, indem ein Produkt nur in Relation zu den Produkten des „eigenen“ Teilmarktes bewertet wird, die sich durch ähnliche Strategien der Produktgestaltung auszeichnen. Im Rahmen der marktorientierten Studien wird die Produkteffizienz somit als umfassender Customer Value operationalisiert. Dieser Perspektive, die den State of the Art der Produkteffizienzanalyse darstellt, folgen bisher nur wenige Studien. Die Forschung zu einer umfassend verstandenen Produkteffizienzanalyse befindet sich erst in den Anfängen.596 Daher bezieht sich die in dieser Arbeit vorgestellte empirische DEA-Studie im Rahmen der Produktpolitik auf die marktorientierte Definition der Produkteffizienz. Im Folgenden sollen zu beiden Forschungsrichtungen jene Studien aufbereitet werden, die wesentlich zu deren Entwicklung beigetragen haben. Technische Produkteffizienzanalyse Die Forschungsrichtung zur Effizienzanalyse von Produkten aus Nachfragersicht wurde mit der maßgeblichen Studie von Doyle/Green begründet.597 Sie analysieren mittels eines CCR-Modells die Effizienz von Druckern auf Basis von sieben technischen Outputs, beispielsweise der Druckqualität und der Größe des Druckerspeichers sowie dem Kaufpreis als einzigem Input. Die Autoren erweitern anschließend ihre Analyse, indem sie untersuchen, ob die effizienten Drucker jeweils aufgrund nur einzelner, extrem ausgeprägter Eigenschaften als effizient klassifiziert werden und folglich eine „spezialisierte Nische“ im Markt ausfüllen oder ob sie vielmehr deshalb als effizient klassifiziert werden, weil sie ein ausgewogenes Leistungsprofil anbieten (All-round-Produkte). Drucker, die ein Nischenprodukt darstellen, werden anderen Druckern nur sehr selten oder nie als Benchmark zugewiesen, da sie aufgrund ihrer Spezialisierung eine sehr unterschiedliche Input-Output-Struktur aufweisen.
595 596
597
Vgl. Staat/Hammerschmidt (2005), S. 307. Zu ersten empirischen Anwendungen zur Messung und Analyse der Produkteffizienz i.S. eines umfassenden Output-Input-Wertes vgl. die nachfolgende Tabelle. Vgl. Doyle/Green (1991).
198 In einer späteren Studie wenden Doyle/Green ihren Ansatz auf Computer an und konnten ähnliche Befunde gewinnen.598 Wie sie weiter zeigen, gibt es durchaus Anbieter, die es schaffen, ein hohes Maß an Qualität, Service und Innovation bei gleichzeitig niedrigem Preis bereitzustellen und so nachhaltige Wettbewerbsvorteile zu sichern. Diese Befunde können die klassische „Stuck-in-the-middle-These“ von Porter also nicht bestätigen und stehen vielmehr im Einklang mit der neueren Managementliteratur, die diese These zunehmend in Frage stellt und als nicht mehr zeitgemäß ansieht. Sie zeigen, dass die DEA als Instrument zur Entscheidungsunterstützung vor allem in Situationen leistungsfähig ist „…where the choice is complicated and involves many attributes …and where human choice may be unacceptably poor.“599 Es wird betont, dass die Interpretation der Ergebnisse und die Auswahl der passenden Lösung aus der Gruppe der effizienten Alternativen eine Einschätzung der Entscheidungsträger erfordert und die DEA selbst keine Entscheidungen treffen, sondern diese nur unterstützen kann.600 Bei beiden Studien ist jedoch die Frage zu stellen, ob die Wahl eines Druckers bzw. PCs nicht auch von qualitativen Aspekten wie emotional ansprechenden Attributen wie etwa Design abhängt. Selbst bei den technischen Merkmalen sind weitere wichtige Merkmale denkbar, die fehlen. Insbesondere die Aussagekraft der zweiten Studie, die lediglich vier Merkmale einem Input gegenüberstellt, ist anzuzweifeln. Seit Doyle/Green sind zahlreiche ähnliche Studien erschienen, die sich jedoch weiterhin dadurch auszeichnen, dass die Analyse der Produkte ausschließlich auf Basis von funktional-technischen Inputs und Outputs erfolgt, d.h. direkt und einfach messbarer Faktoren wie etwa der PS-Zahl eines Autos oder der Arbeitsgeschwindigkeit von Druckern oder PCs. Darüber hinausgehende, qualitative Eigenschaften werden im Rahmen dieser Bewertung nicht berücksichtigt, weshalb keine umfassende Abbildung kundenwichtiger Kriterien erfolgt. Solche engineering applications beziehen sich im Wesentlichen auf die Produktkategorien Robotertechnologien, LKWs, Computer und PKWs (vgl. Tabelle 21). Sie erwecken vielfach den Eindruck, eher auf einen ausgewählten Kreis von technisch versierten Experten (Ingenieuren) als auf „normale“ Kunden abzuzielen. Dies trifft insbesondere für die im Industriegüterbereich (Roboter, LKW) angesiedelten Studien zu, die eine nur geringe Aussagekraft für marketingtheoretische Fragestellungen aufweisen und daher nicht eingehender behandelt, sondern zusammenfassend in Tabelle 21 dargestellt werden. Stattdessen sollen die Ergebnisse der einschlägigen Studien zum Produktbenchmarking im Automobilbereich kompakt vorgestellt werden. Diese lassen sich
598 599 600
Vgl. Doyle/Green (1994). Doyle/Green (1994), S. 68. Vgl. Doyle/Green (1994), S. 68.
199 zumindest partiell zur Entscheidungsunterstützung im Produktmarketing heranziehen. Das von Papagapiou/Mingers/Thanassoulis durchgeführte Produktbenchmarking von Gebrauchtwagen liefert den Händlern Details über ihre Wettbewerbsposition im Markt. Aus Sicht der Kunden wenden sie die DEA als MCDM-Instrument an,601 das den Kunden die Möglichkeit bietet, die leistungsfähigsten Gebrauchtwagen zu identifizieren und so ihre Verhandlungsmacht gegenüber alternativen Anbietern zu erhöhen, die anhand der Ergebnisse wiederum von den Händlern antizipiert werden kann. Ein Händler kann auf diese Weise ebenfalls Informationen darüber erhalten, welche Preise er im Hinblick auf die Performance der von ihm angebotenen PKWs setzen kann, um ein wettbewerbsfähiges Angebot zu erstellen. Als eine Möglichkeit, die Anzahl effizienter Produkte zu reduzieren, führen die Autoren Gewichtsrestriktionen ein. Dieses Vorgehen ist zwar im Rahmen der Produktselektion eines Kunden hilfreich, durch die Einschränkung der Flexibilität der DEA bei der Optimierung der individuellen Gewichte wird jedoch ein entscheidender Vorteil der DEA zum Teil zunichte gemacht. Aus diesem Grund stellt sich die Frage nach der Objektivität der Ergebnisse.602 Unter Verwendung unterschiedlicher Skalenertragsannahmen kommt Papahristodoulou zu der Erkenntnis, dass die Leistung der untersuchten Autos nur unterproportional mit der Größe und dem Preis zunimmt.603 So weisen Autos der Oberklasse in allen betrachteten Modellreihen stets die geringste Anzahl an effizienten Varianten auf. Ein großer Anteil der Ineffizienz wird auf abnehmende „Returns to Price“ zurückgeführt, d.h. der Preisaufschlag der Oberklassemodelle gegenüber der (unteren) Mittelklasse wird nur zum Teil durch die zusätzliche Leistung gerechtfertigt. Im Bereich der unteren Mittelklasse lohnt es sich für die Konsumenten hingegen, ein etwas teureres Auto zu wählen, da in diesem Bereich ein überproportionaler Performancezuwachs (steigende Grenzerträge in Bezug auf den Preis) beobachtbar ist. Dieser Befund ist allerdings nicht frei von Zweifeln, da er darin begründet sein könnte, dass Konsumenten in unteren Segmenten möglicherweise noch viel stärker bereit sind, überproportional viel zu bezahlen, wenn sie technische Leistung durch ein „Mehr“ an emotionalen Leistungsattributen substituieren können. Da emotionale Attribute wie Prestige, Komfort oder Design jedoch nicht berücksichtigt werden, kann streng genommen keine Aussage darüber gemacht werden, ob die Oberklassemodelle tat601
602 603
Vgl. Papagapiou/Mingers/Thanassoulis (1997), S. 13. Im Gegensatz zu den klassischen Entscheidungsmethoden versucht die DEA jedoch nicht, die beste Alternative zu finden, und verlangt dem Entscheider keine eindeutige Präferenzbekundung ab. Auch Doyle/Green (1991) heben die Aussagekraft der DEA besonders in solchen Situationen hervor, in denen eine große Anzahl an Attributen, aber keine Präferenzfolge gegeben ist; vgl. Doyle/Green (1991), S. 631. Vgl. Kleemann (2004), S. 113 f. Vgl. Papahristodoulou (1997), S. 1494 ff. Der Autor verwendet die Begriffe der Returns to technical performance im Sinne der Skalenerträge.
200 sächlich weniger Leistung für einen höheren Preis bieten. Der Befund wäre evtl. ein anderer, wenn die Leistungsseite umfassend abgebildet und auch non-funktionale Outputs integriert worden wären. Anhand des CCR-Modells werden insgesamt 43% der PKWs als effizient klassifiziert. Während alle fünf untersuchten koreanischen PKWs effizient sind, sind nur 45% der japanischen und nur 39% der europäischen PKWs effizient. Die von Papahristodoulou vorab geäußerte Hypothese der Überlegenheit japanischer PKWs kann somit nicht bestätigt werden; vielmehr erweisen sich koreanische PKWs als eindeutig überlegen. Der Arbeit von Papagapiou/Mingers/Thanassoulis folgend stellen auch FernandezCastro/Smith in ihrem Beitrag zur Selektion von Automobilen eine stärkere Verbindung der DEA zu konsumententheoretischen Fragestellungen her. Die Autoren verknüpften die Idee der DEA mit dem „Characteristics Approach“ von Lancaster und verstehen folglich die DEA auch als Instrument des MCDM. Dieser Ansatz betrachtet die Produkteigenschaften und deren konkreten Nutzenbeitrag als Determinanten der Kaufentscheidung. Die DEA ermöglicht die Messung dieses aus den Attributsausprägungen vermittelten Produktnutzens. Die Autoren verwenden neben den gängigen CRS- und VRS-DEA-Modellen auch ein FDH-Modell, welches ebenfalls sowohl unter der VRS- und der CRS-Annahme gerechnet wird. Die FDH betrachtet nur DMUs, die Kombinationen aus ganzzahligen Attributausprägungen darstellen. Unendlich teilbare Attribute, d.h. Kombinationen aus Bruchteilen von Produkten, werden dann ausgeschlossen. Von den vier genannten Modellen weist das CRS-DEA-Modell die beste Diskriminierungsfähigkeit auf, da es nur ein Fünftel der PKWs als effizient bewertet, im Gegensatz zu einer sehr viel höheren Zahl in VRS-Modellen.604 Das CCR-FDH-Modell bewertete 15 der 44 Modelle als effizient. Aus diesem Set könnten dann bei Präferenzinformationen (d.h. Parametergewichtungen aus Kundensicht) eine für den jeweiligen Konsumenten beste Alternative ausgewählt werden. Fernandez-Castro/Smith stellen das CCR-DEA- und CCR-FDH-Modell als die am besten geeigneten Ansätze heraus, da sie die größte Diskriminierungskraft aufweisen. Dabei zeigt sich, dass der aggregierte Effizienzwert, der alle Eigenschaften zusammenfasst, eine weit höhere Korrelation mit den Absatzzahlen aufweist als die verschiedenen singulären Eigenschafts-Preis-Verhältnisse. Demzufolge ist der Gesamteffizienzwert ein besserer Prädiktor für den Markterfolg als die Leistung bzgl. einzelner Charakteristika. Die höchste Korrelation mit den Absatzzahlen weisen die CRS-DEAEffizienzwerte auf ( r = 0,76 ). Kritisch anzumerken bleibt hier, ob die Korrelation zwischen Verkaufszahlen und Effizienzwerten bei nur einem verwendeten Input und lediglich fünf Outputs wirklich als verlässlicher Maßstab für die Qualität und Praxistauglichkeit des von Fernandez604
Vgl. Fernandez-Castro/Smith (2002), S. 86 f.
201 Castro/Smith verwendeten Designs angesehen werden kann. Die Verkaufszahlen werden in der Realität sicherlich von mehr Faktoren bestimmt. Die Aussage der eher einfachen empirischen Untersuchung von Fernandez-Castro/Smith sollte daher nicht als allgemeingültig angesehen werden. Alle bisher betrachteten Studien nutzen die DEA im klassischen Sinne als Benchmarkingtool. Sie nehmen ein Produktbenchmarking mit dem Ziel vor, effiziente Kombinationen von Input- und Output-Ausprägungen zu bestimmen, die als Zielpositionen anzustreben sind, um die Effizienz für Kunden zu maximieren. Autoren / Fragestellung
Analysegegenstand
Doyle/ Green 37 Compu(1991) terdrucker Externes Produktbenchmarking unter Berücksichtigung von Skalenerträgen
Inputs
Outputs
Kernbefunde
• Produktpreis
• Druckqualität
• 30% der Drucker sind effizient, niedrigster Effizienzwert lag bei 59%.
• Geschwindigkeit • Geräuscharmut • Größe des Pufferspeichers • Zuverlässigkeit (Fehlerquote) • Breite des Papiereinzugs
• teure Marken sind tendenziell weniger effizient (abnehmende Skalenerträge) • Hohe Übereinstimmung der DEABewertung mit dem Expertenranking einer Testzeitschrift • Korrelation zwischen Kosten und Effizienz ist negativ, da Hersteller von billigeren Massenprodukten durch Skalenerträge erzeugte Kostenvorteile an Kunden weitergeben • Die besten Drucker befinden sich fast ausschließlich in stark umkämpften Märkten
Doyle/ Green 22 Perso(1994) nalcomputer Externes Produktbenchmarking Vergleich DEA und Regression
• Preis
Khouja 27 Roboter (1995) Entscheidungsmodell für Produktselektion im industriellen Beschaffungsprozess
• Preis
Odeck/ 72 LKWs Hjalmarsson (1996) Vergleich der Ergebnisse eines inputund eines outputorientierten Modells
• Benzinkosten
• Größe des Arbeitsspeichers • Festplattengröße • Prozessorgeschwindigkeit • Speicherzugriffsgeschwindigkeit
• Wartungskosten • Kosten für Zubehör
• Identifizierung unterschiedlicher Produktstrategien zur Erreichung von Effizienz (All-round-Produkte mit ausgewogenem Eigenschaftsmix sowie spezialisierte Produkte)
• Traglast
• 33% der Roboter sind effizient
• Geschwindigkeit
• durch Beachtung individueller Präferenzen (Nutzenfunktionen) kann der für den individuellen Entscheider am besten geeignete Roboter aus der Menge der effizienten Roboter ausgewählt werden
• Wiederholungsgenauigkeit
• Lohnkosten der Fahrer
• 23% der Computer sind effizient
• Anzahl gefahrener Kilometer pro Jahr
• 18% der LKWs sind effizient • die Kapazität der meisten LKWs ist zu hoch • Marke und Baujahr eines LKWs üben keinen Einfluss auf den Effizienzwert aus; das geografische Einsatzgebiet ist jedoch ein signifikanter Faktor
202 Autoren / Fragestellung
Analysegegenstand
Papahristodoulou (1997) Vergleich der Effizienz europäischer und asiatischer Fahrzeuge unter Berücksichtigung von Skalenerträgen
121 PKWs • Kaufpreis der unteren • BenzinMittelund Repaklasse, raturMittelklasse kosten/ und Ober10.000 km klasse • Versicherungskosten
Papagapiou/ Mingers/ Thanassoulis (1997) Modell zur Produktselektion mit Gewichtsbeschränkungen
14 PKWs (Anwendung 1)
• Preis
56 Computer (Anwendung 2)
• Preis
Inputs
• Steuern
Outputs
Kernbefunde
• Radstand
• im CCR-Modell sind 43%, im BCCModell 74% der PKWs effizient
• Innenraumgröße • Leergewicht • Max. Zuladung • Achslast • Kofferraumvolumen • Hubraum • Motorleistung (PS-Zahl)
• Höchstgeschwindigkeit • Wertver• Beschleunigung lust/ 15.000 km • verbleibende Meilen
• PKWs mit geringem Hubraum sind tendenziell effizienter als PKWs mit großem Hubraum, d.h. es liegen abnehmende Skalenerträge vor • Sicherheitsbewertungen und Beschwerdehäufigkeiten haben keinen Einfluss auf Effizienz • 36% der PKWs sind effizient
• verbleibende Nutzungsjahre • Festplattengröße
• 36% der Computer sind effizient
• Größe des Arbeitsspeichers
• Anhand der Ergebnisse werden Informationen bezüglich der direkten Konkurrenten und der Stärken und Schwächen der Produkte ermittelt
• Bildschirmgröße • Geschwindigkeit des CD-Laufwerks • Garantiedauer • Prozessorgeschwindigkeit
Baker/ 27 Roboter Talluri (1997) Modell zur Produktselektion mit Gewichtsbeschränkungen
• die koreanischen PKWs weisen in beiden DEA-Modellen im Vergleich zu den japanischen und europäischen PKWs den höchsten Anteil effizienter Fahrzeuge auf
• Preis
• durch Gewichtsbeschränkungen entsprechend gängiger Kundenanforderungen wird eine Reduktion der Anzahl effizienter Computer erreicht
• Traglast
• 33% der Roboter sind effizient
• Geschwindigkeit
• Ermittlung von Kreuzeffizienzen zur Differenzierung der effizienten Roboter; hierdurch können solche Roboter identifiziert werden, deren Bewertung nur auf sehr wenigen günstig ausgeprägten Inputs und Outputs basiert
• Wiederholungsgenauigkeit
• die durchschnittliche Kreuzeffizienz der Roboter schwankt zwischen 0,06 und 0,82 Braglia/ Petroni (1999) Weiterentwicklung der DEA als Instrument der Technologiewahl
12 Roboter
• Preis
• Traglast
• 17% der Roboter sind effizient
• Wiederholungsgenauigkeit
• Durch Reduktion der Anzahl der Outputs durch Zusammenfassung einzelner Outputs in eine übergeordnete Kennzahl wird Verringerung der Anzahl als effizient klassifizierter Roboter möglich
• Geschwindigkeit • Kennzahl für die Beweglichkeit des Greifarms
• auch durch exogene Gewichtsbeschränkungen erfolgt eine Verringerung der Anzahl effizienter Roboter • Sensitivitätsanalysen durch Variation der Gewichtsbeschränkungen zeigen, dass unterschiedliche Arten von Robotern effizient sind
203 Autoren / Fragestellung
Analysegegenstand
29 FlugBulla et al. zeug(2000) Vergleich der triebwerke DEA mit ingenieurwissenschaftlichen Methoden der Produktbeurteilung
FernandezCastro/ Smith (2002) Produktselektion Vergleich von restringierten und unrestringierten FDHund DEAModellen
Inputs
Outputs
Kernbefunde
• Luftwiderstand
• Schubkraft
• 28% der Triebwerke sind effizient
• Luftdurchstrom
• DEA-Ergebnisse stimmen mit den Ergebnissen ingenieurwissenschaftlicher Tests in Bezug auf das Ranking der Triebwerke überein
• Kerosinverbrauch • Gewicht
44 PKW• ListenVarianten preis auf dem spanischen Markt
• die DEA ist als Ergänzung zu ingenieurwissenschaftlichen Effizienzmessmethoden geeignet, da sie mehr Inputs und Outputs simultan einbeziehen kann und durch Berücksichtigung verschiedener Gewichtungsmuster unterschiedliche Blickwinkel bei der Untersuchung ermöglicht • Motorleistung (PS-Zahl) • Verbrauch • Geräuscharmut • Kofferraumvolumen • Innenraumvolumen
• ohne Gewichtsbeschränkungen sind mit CCR-DEA 20% und mit BCCDEA 68% der PKWs effizient • mit Beschränkungen sind 16% effizient • das VRS-FDH-Modell klassifiziert sogar 91% als effizient • die Ergebnisse des CCR-DEAModells korrelieren am stärksten mit den Absatzzahlen der PKWs • das CCR-DEA-Modell besitzt die größte Ähnlichkeit zu dem Ansatz von Lancaster • DEA-basierte Ergebnisse sind wegen höherer Diskriminanzfähigkeit der FDH vorzuziehen
Tabelle 21: Empirische DEA-Studien zur technischen Produkteffizienz
Der Vergleich mit den Produktbenchmarks ermöglicht die Analyse von Stärken und Schwächen der Produkte, die die Ursachenforschung sowie die Ableitung von Handlungsempfehlungen zur Produktverbesserung und -positionierung unterstützen. Die Ergebnisse aller bisherigen Studien zur technischen Produkteffizienz sind in Tabelle 21 zusammengefasst.605
Marktorientierte Produkteffizienzanalyse Den nächsten Abschnitt in der Genese der DEA als Ansatz der Produkteffizienzanalyse und zugleich den gegenwärtigen Stand der Forschung repräsentieren die Studien, die der Kategorie der marktorientierten Produkteffizienzanalyse angehören. Diese ist durch zwei wesentliche Weiterentwicklungen gekennzeichnet. Erstens beziehen diese Studien bewusst auch qualitative (psychisch-emotionale) Aspekte der 605
Vgl. auch Kreuder (2003), S. 150 ff.
204 Produktleistung mit ein, die über technisch-physikalische Merkmale hinausgehen. Somit wird versucht, das Kaufentscheidungsverhalten der (potenziellen) Kunden adäquater abzubilden, indem weit mehr präferenzbestimmende Kriterien der Produktwahl einbezogen werden. Auf diese Weise soll eine stärkere Kundenorientierung sichergestellt werden. Zweitens erweitern einige der genannten Studien das Anwendungsspektrum der DEA auch in wettbewerbsorientierter Hinsicht, indem sie über ein globales, gesamtmarktbezogenes Produktbenchmarking hinaus eine Marktpartitionierung auf Basis der DEA-Ergebnisse vornehmen.606 Dies ermöglicht dann die Identifizierung vergleichbarer Intra-Segment-Benchmarks. Die neueren Studien konzeptualisieren die Produkteffizienz wesentlich systematischer als die bisherigen Studien und entwickeln einen DEA-basierten Ansatz, welcher mehrere Problemstellungen vom Benchmarking über Produktpositionierung bis hin zur Marktstrukturierung integriert. Aus den genannten Gründen sollen die im Folgenden dargestellte Richtung der Produkteffizienzanalyse als marktorientiert bezeichnet werden. Bauer/Staat/Hammerschmidt und Smirlis et al. konzeptualisieren den Produkteffizienzwert in einer umfassenderen Weise als bisher. Er kann dort als Customer Value verstanden werden, der die relevanten Inputs und Outputs im Rahmen von Produkterwerb-, -nutzung und -wiederverkauf erfasst. Während erstere Arbeit dieses Konzept zur Bewertung von PKWs heranzieht, wählt letztere Studie als Untersuchungseinheiten Mobilfunkpakete bestehend aus Handy und Prepaid-Karte inkl. Startguthaben. Bauer/Staat/Hammerschmidt verwenden ein inputorientiertes Effizienzmodell und können so Aussagen darüber treffen, ob und um wie viel kostengünstiger der Käufer eines bestimmten Modells ein ähnliches Eigenschaftsbündel hätte erwerben können. Sie identifizieren zahlreiche Automobile, die bei keiner noch so vorteilhaften Gewichtung effizient wären. Da solche Modelle für keine denkbare Präferenzkonstellation den best buy darstellen können, ist deren Kauf aus Sicht eins Käufers stets suboptimal. Der Ansatz empfiehlt eine nachfragerorientierte Effizienzmaximierung als Grundprinzip der Produktentwicklung und -gestaltung. So besteht letztlich das Ziel aller produktpolitischen Aktionen darin, Angebote zu kreieren, die ein maximales Verhältnis eines Eigenschaftsmixes und somit der Nutzenstiftung zu den eingesetzten Kosten für den Konsumenten bietet. Der DEA-Effizienzwert misst genau dieses Verhältnis im Vergleich zu allen anderen Marktangeboten und bestimmt somit einen relativen Customer Value. Diese Vorgehensweise der Customer-Value-Ermittlung lehnt sich stark an den Produktwahlprozess der Konsumenten an, deren Kaufentscheidung ebenfalls zwingend eine Relativierung an Alternativen verlangt.607 Die Autoren untersuchen weiterhin den Zusam-
606 607
Vgl. Staat/Bauer/Hammerschmidt (2002), S. 207 f.; Staat/Hammerschmidt (2005), S. 308. Vgl. Bauer (1989).
205 menhang zwischen DEA-Effizienzwerten und dem Markterfolg von PKWs, der anhand des Absatzes gemessen wird. In der Tat konnte hier ein signifikanter Zusammenhang festgestellt werden. Alle der acht meist verkauften Modelle weisen mindestens eine effiziente Variante auf, während die letzten Verkaufsränge von ausschließlich ineffizienten Modellreihen belegt werden. Die Autoren zeigen, dass sich auf Basis der Produkteffizienzwerte Prognosen über den Markterfolg ableiten lassen.608 Diese Erkenntnis ist besonders interessant vor dem Hintergrund der stets bemängelten prädiktiven Qualität von Marketing-Performance-Kennzahlen, d.h. der Unfähigkeit, aus gegenwärtigen Leistungsparametern Aussagen über den zukünftigen Markterfolg von Maßnahmen und Leistungsobjekten abzuleiten. Analog zeigen Smirlis et al., dass Mobilfunkpakete existieren, die selbst im schlechtesten Fall, d.h. bei der ungünstigsten Gewichtung der Attribute, noch einen Effizienzwert von 1 aufweisen. Fast drei Viertel der Telefonpakete sind selbst im besten Fall, d.h. unter Zugrundelegung des niedrigsten Preises zusammen mit der maximalen im Markt erhältlichen Anzahl an Freiminuten, ineffizient. Für die meisten dieser ineffizienten Pakete empfiehlt sich daher eine Veränderung des Preises und des Startguthabens.609 Das Customer-Value-Konzept könnte nun der Ausgangspunkt für eine wettbewerbsbezogene Partitionierung des jeweils betrachteten Produktmarktes sein, um einen integrierten Ansatzes für Partitionierung, Positionierung und Marktstrukturierung zu entwickeln.610 Aus dem für den Gesamtmarkt ermittelten Referenzset könnten dann Gruppen von Automobilen mit ähnlichen Input-Output-Strukturen extrahiert werden, die Marktsegmente darstellen. Eine solche weiterführende Betrachtung findet sich in der bestehenden Literatur nur in ersten Ansätzen, wie zusammenfassend Tabelle 22 zeigt. Wie die beiden tabellarischen Übersichten belegen, konzeptualisieren die wenigsten Studien die Produkteffizienz in ganzheitlicher Weise, indem auch qualitative (sog. extrinsische, d.h. nicht im materiellen Produkt verankerte) Attribute mit einbezogen werden. Der überwiegende Teil der Arbeiten zur Produkteffizienz zeichnet sich durch eine ingenieurhafte, techniklastige Denkweise aus. Diese unterstellen, dass lediglich objektiv messbare funktionale Eigenschaften von Produkten in das Kalkül der Nachfrager eingehen. In den meisten Studien werden zudem nur wenige Produktattribute (im Durchschnitt fünf) berücksichtigt, wodurch vermutlich Verzerrungen in der Leistungsbewertung resultieren.
608 609 610
Vgl. Bauer/Staat/Hammerschmidt (2000), S. 30 ff. Vgl. Smirlis et al. (2004), S. 172 ff. Diese Weiterführung einer DEA-basierten Customer-Value-Analyse erfolgt in der empirischen Anwendung zur Produkteffizienz in E-1.
206 Bis auf zwei Arbeiten, die eher exploratorischen Charakter haben, ermöglicht es bisher keine Studie, segmentspezifisch Effizienzaussagen zu treffen. Da ein Produktmarkt jedoch keine homogene Masse von Objekten darstellt, erscheint eine differenzierte Analyse auch und gerade im Rahmen der Effizienzbewertung von Produkten als wichtige Forschungsfrage.
Autoren / Fragestellung
Analysegegenstand
Bauer/Staat/ 30 PKWs Hammerder Komschmidt paktklasse (2000)
Inputs
Outputs
Kernbefunde
• •
• • • • • •
• •
Kaufpreis Laufende Kosten
Produktcontrolling (Produktbenchmarking, Produktpositionierung)
Staat/Bauer/ Hammerschmidt (2002)
• •
Smirlis et al. 29 Mobiltele- • (2004) fonpakete in GriechenIdentifikaland tion von „best buys“ Bauer/ Hammerschmidt/ Staat (2002)
Restwert Zuverlässigkeit Sicherheit Komfort Fahrleistung Erfüllte Abgasnorm
30 PKWs der Kompaktklasse
• •
Preis
• • •
Kaufpreis Laufende Kosten
• • • • • •
Startguthaben in Minuten Qualität des Mobiltelefons Qualität des Netzanbieters
•
Wiederverkaufswert Verlässlichkeit Sicherheit Komfort Motorleistung Leistungsfähigkeit des Katalysators
•
•
• •
Marktstrukturierung auf Basis der Produktstrategien
•
Teilmarktspezifische Analyse des Customer Value
•
•
•
40% der PKWs sind effizient Quantifizierung von Zielpositionen im Merkmalsraum, anhand derer Leistungslücken ermittelt werden können und an denen sich ineffiziente Produkte ausrichten sollten exakte Quantifizierung der notwendigen Variationen der Inputs und Outputs zur Erreichung der Zielposition eine Regressionsanalyse des Zusammenhangs zwischen DEAEffizienzwert und Verkaufszahlen ermöglicht es, auf Basis der Produkteffizienz Prognosen über den Verkaufserfolg neuer Produkte zu treffen 26% der Mobilfunkpakete sind effizient und repräsentieren die best buys des Marktes Es existieren zwei grundlegende Effizienz-Strategien: Konzentration auf ein hochwertiges Telefon oder Konzentration auf hohes Startguthaben 8 von 11 Automarken haben wenigstens ein effizientes Produkt im Sortiment Produkteffizienzwerte werden als relativer Customer Value der PKWs interpretiert DEA-Ergebnisse werden für Implikationen zur Optimierung des kundenorientierten Produktwertes im Rahmen des Produktmanagements herangezogen auf Basis der identifizierten CustomerValue-Benchmarks werden die PKWs Teilmärkten zugeordnet die Produktsegmente zeichnen sich durch spezifische Strategien der Customer-Value-Generierung aus Identifizierung von Massenmarktprodukten, die sich in großen Teilmärkten positionieren, und differenzierten Nischenprodukten, die eigene Teilmärkte bilden Relative Stärken und Schwächen der Autos im Vergleich zu den Konkurrenten innerhalb der Marktpartition werden identifiziert
207 Staat/ Hammerschmidt (2005)
48 PKWs der Mittelklasse („A4 Klasse“)
• •
Händlerpreis (street price) Laufende Kosten
Produktbenchmarking Vergleich von Standard-DEA und Supereffizienzanalyse
• • • • • • •
Motorleistung Sicherheit Zahl der Airbags Komfort Hedonischer Wert Symbolischer Wert Markenstärke
• • •
•
Bei Anwendung des DEAStandardmodells (CCR) erweisen sich 67% der Autos als effizient Durch eine Supereffizienzanalyse werden 84% der effizienten Autos als supereffizient klassifiziert Ermittlung eines vollständigen Produktrankings auf Basis der Supereffizienzwerte, welches auf Gesamtmarktebene die Identifizierung des best buy erlaubt Supereffizienzwerte ermöglichen das Aufdecken von Wettbewerbsvorsprüngen innerhalb der Gruppe der CCR-effizienten PKWs
Tabelle 22: Empirische DEA-Studien zur marktorientierten Produkteffizienz
Eine auf Basis der DEA-Ergebnisse vorgenommene Marktstrukturierung ermöglicht die Beantwortung wichtiger strategischer und taktischer Fragen des Produktmarketing, so etwa das Erkennen der relevanten Wettbewerber, die einen Kundenwert durch ähnliche Produktkonzepte stiften. Auf Basis der Anzahl ähnlicher Produktkonzeptionen wäre eine Abschätzung der Wettbewerbsintensität innerhalb der extrahierten Teilmärkte sowie die Aufdeckung bisher noch wenig besetzter Produktnischen möglich. Eine Analyse der Referenzsets jedes Teilmarktes gäbe Hinweise für die Optimierung der Produkteigenschaften mit dem Ziel einer Maximierung des Customer Value. Letzteres würde den Herstellern Möglichkeiten aufzeigen, wie der Eigenschaftsmix zu optimieren ist, um einen festgesetzten Kaufpreis aus Kundensicht zu rechtfertigen. Ein weiteres, ganz wesentliches Problem bisheriger Studien wird deutlich, wenn man die Anteile der im Rahmen der Standard-DEA als effizient ausgewiesenen Produkte über die 17 oben vorgestellten Studien zur nachfragerorientierten Produkteffizienz betrachtet. So zeigt sich, dass durchschnittlich 45,5% der untersuchten Einheiten effizient sind. Während das Minimum bei 17% liegt611, weisen FernandezCastro/Smith auf Basis des VRS-FDH-Modells 91% der Produkte als effizient aus. Für diesen Extremfall heißt dies, dass für 91% der untersuchten Produkte keine weiterführenden Einsichten zu den Effizienzeigenschaften und keine Handlungsempfehlungen gewonnen werden können. Insgesamt erhält mit den Standardmodellen der DEA (CCR- oder BCC-Modelle) üblicherweise eine große Zahl von DMUs einen Effizienzwert von 1, woraus eine geringe Diskriminierungsfähigkeit resultiert. Dies ist v.a. aus Sicht der Nachfrager problematisch, die letztlich eine Entscheidung für genau eine DMU treffen müssen und daher ein eindeutiges Effizienzranking aller Produkte 611
Vgl. Braglia/Petroni (1999).
208 benötigen. Auch für die Anbieter auf dem effizienten Rand ist eine DEA wenig befriedigend, da etwaige Wettbewerbsvorsprünge effizienter Produkte selbst nicht ausgewiesen werden. Sie wären aber hilfreich, um den langfristigen Produkterfolg abschätzen zu können und zukünftig notwendig werdende Positionierungsmaßnahmen zu erkennen. Eine viel versprechende Weiterentwicklung der marketingorientierten DEA-Anwendungen wäre daher die Verwendung eines Supereffizienzmodells. Dieses bestimmt durch schrittweises Ausschließen der effizienten DMUs aus der Randfunktion auch für jede effiziente DMU eine eigene Referenzfunktion. Die Distanz der DMU zu dieser modifizierten Randfunktion drückt den Grad an Supereffizienz aus, der eine Differenzierung auch der effizienten DMUs erlaubt. Weiterer Forschungsbedarf stellt die Verknüpfung der Effizienzanalyse mit der hedonischen Preistheorie dar, um damit eine Verbindung zwischen Produkt- und Preiseffizienz herzustellen. Die DEA ermöglicht es, durch Ausweis der Gewichte den Preisbeitrag jedes Produktmerkmals abzuschätzen, wodurch eine hedonische Preisbildung unterstützt wird. In Anbetracht der konstatierten Forschungslücken soll die im Rahmen dieser Arbeit durchgeführte empirische Untersuchung zur nachfragerorientierten Produkteffizienz (vgl. Kapitel E-1) folgende Erkenntnisbeiträge leisten. 1) Umfassende Konzeptualisierung der Produkteffizienz im marktorientierten Sinne (d.h. Erweiterung um nicht funktionale Outputs wie Markenimage), 2) Verfeinerung eines DEA-basierten Ansatzes zur simultanen Betrachtung von Produktbenchmarking und Marktstrukturierung, 3) Verwendung eines Supereffizienzmodells zur Ermittlung von Effizienzmaßen, die eine Diskriminierbarkeit zwischen allen Produkten erlauben und Ableitung von Aussagen ermöglichen, die nicht nur für Hersteller, sondern auch Nachfrager konkrete Entscheidungsunterstützung bieten, 4) Verknüpfung der Konzepte der Produkt- und Preiseffizienz durch Interpretation der DEA-Ergebnisse im Lichte der hedonischen Preistheorie (Ermittlung von „effizienten Preisen“).
2.2.3.
Markeneffizienz
Marken haben im Rahmen effizienzorientierter Untersuchungen bisher überhaupt keine Rolle gespielt. Dies verwundert, da in jüngster Zeit Forscher wie Praktiker fordern, Marken und hier v.a. die Markenführung innerhalb der Produktpolitik als Objekte der Effizienzanalyse in den Mittelpunkt zu rücken.612 Bisher existieren lediglich ers612
Vgl. Steffenhagen (2003).
209 te Versuche einer Konzeptualisierung des Markeneffizienzbegriffes. Es existieren jedoch keinerlei empirischen Studien, die die Effizienz von Marken oder des Prozesses der Markenführung untersuchen. Zwar verwenden einige DEA-Studien den Begriff der Markeneffizienz (brand efficiency): So bezeichnen Hjorth-Andersen und Kamakura/Ratchford/Agrawal in ihren Arbeiten zur Preiseffizienz die „brands“ eines Marktes als Untersuchungsgegenstände.613 Ähnlich suggeriert der Titel der Studie von Charnes et al., es gehe um die relative Effizienzanalyse von Marken, die in einer Branche mit anderen Marken konkurrieren.614 Allerdings wird in all diesen Studien der Begriff Marke synonym für Produkte verwendet und letztlich die Effizienz von Produkten aus Kundensicht (bei den beiden erstgenannten Studien)615 bzw. aus Anbietersicht (letztere Studie) untersucht. Daher betrachten die Arbeiten Marken nicht im allgemein üblichen Verständnis als eigenständige, transferierbare Vermögensgegenstände, die eigene Managementprozesse erfordern und deren Wert prinzipiell unabhängig von Produktleistung besteht. Die genannten Studien werden in dieser Arbeit daher unter der Rubrik Produkt- bzw. Preiseffizienz behandelt. Um die bestehende Forschungslücke in Bezug auf Marken zu schließen, behandelt eine der drei empirischen Anwendungen dieser Arbeit (vgl. Kapitel E-2) ausführlich die Problematik der Analyse der Effizienz der Markenführung am Beispiel von Automobilmarken. Ziel ist es, die Effizienz der Markenbudgetverwendungen im Hinblick auf die erreichte Markenpositionierung zu untersuchen, um Overspendings aufzudecken und Hinweise darüber zu erhalten, wie die Ressourcenallokation zu optimieren ist. Gerade die Automobilbranche ist als extrem markengetrieben zu bezeichnen, d.h. viele Entscheidungen und Maßnahmen beziehen sich auf Marken und nicht auf einzelne Produkte (Modelle).616 Aus Sicht eines Markeninhabers in der Automobilindustrie erscheint die Marke als hoch aktuelles Bezugsobjekt einer Effizienzanalyse, dies gilt umso mehr angesichts milliardenschwerer Markeninvestitionen.
2.3.
Anwendungen zur Preiseffizienzanalyse
Im Abschnitt zur Produkteffizienz wurden jene Produkte als aus Kundensicht effizient charakterisiert, die das maximale Verhältnis der Eigenschaften zu den Kosten aufwiesen. Die Messung der nachfragerorientierten Preiseffizienz folgt inhaltlich der gleichen Logik, stellt aber eine Umkehrung der aufgezeigten Vorgehensweise dar. Demnach ist ein Produkt als Eigenschaftsbündel dann preiseffizient, „…if it is the 613 614 615
616
Vgl. Hjorth/Andersen (1984), S. 711; Kamakura/Ratchford/Agrawal (1988), S. 289. Vgl. Charnes et al. (1997b), S. 149. Dies wird an der folgenden Definition von Kamakura/Ratchford/Agrawal (1988), S. 289 erkennbar, wonach eine Marke effizient ist, „…if it provides the highest value per dollar spent for that set of characterstics”. Damit ist aber nichts anderes gemeint als die konsumentenorientierte Produkteffizienz i.S. des Customer Value. Vgl. Fischer/Meffert/Perrey (2004), S. 340 f.
210 cheapest brand [Produkt, Anm. d. Verf.] produced and sold for that set of characteristics”617. Diese Form der Preiseffizienz untersuchen Kamakura/Ratchford/Agrawal für 22 Produktkategorien und liefern eine der ersten DEA-basierten Untersuchungen zur Preiseffizienz. Die Anzahl preiseffizienter Produkte eines Marktes dient dabei als Indikator für die Effizienz dieses Marktes. Effizienz wurde hierbei als das Verhältnis des fairen Preises (also des Preises der effizienten Referenzprodukte) zum tatsächlich geforderten Preis gemessen. Die Resultate bieten auch für das Marketingmanagement wertvolle Hinweise zur Gestaltung einer fairen Preisstrategie. Diese Methodik erlaubt es, den Verlust zu quantifizieren, den ein Konsument durch Kauf eines ineffizienten Produktes etwa aufgrund unvollständiger Informationen über Alternativen erleidet. Dadurch wird es wiederum möglich, den möglichen Wohlfahrtsgewinn bei Preissenkung oder bei Eliminierung des Produktes zu bestimmen. In einer Gesamtmarktbetrachtung lassen sich die Wohlfahrtsgewinne aller Konsumenten unter der Annahme berechnen, dass die Marktanteile der eliminierten ineffizienten Produkte unter den effizienten proportional zu deren Marktanteilen aufgeteilt werden.618 So stellt Hjorth-Andersen in einer Untersuchung von 2.076 Marken aus 127 Produktkategorien fest, dass 54% der Marken ineffizient sind. Alle Konsumenten könnten insgesamt 12,8% ihres derzeitigen Aufwands sparen, wenn es keine ineffizienten Produkte gäbe. Es ist allerdings zu bezweifeln, dass alle ineffizienten Produkte eliminiert werden können. Es zeigt sich weiterhin eine abnehmende Zahl ineffizienter Produkte mit zunehmender Anzahl an Charakteristika der Produkte, d. h. je mehr Charakteristika ein Produkt aufweist, desto geringer ist die Wahrscheinlichkeit, dass dieses Produkt ineffizient ist. Eine mögliche Erklärung dafür ist, dass jede zusätzliche Eigenschaft für einen bestimmten Preis den Output steigert und somit auch einen höheren Nutzen liefert als andere preisgleiche Produkte. Neben zwei detaillierten Analysen zur Preiseffizienz von Automobilen und Batterien (dargestellt in Tabelle 23) stellen Kamakura/Ratchford/Agrawal in ihrer Studie zusammenfassend die Preiseffizienz von 20 Produktmärkten dar. Sie ermitteln für jeden Markt die „mean inefficiency“, die der durchschnittlichen proportionalen Senkung der Preise entspricht, die notwendig wäre, um alle Marken des jeweiligen Marktes effizient zu machen. Hier liegt allerdings die Annahme gleicher Marktanteile der Marken zugrunde. Dabei werden für die Konsumenten Verluste von 5% (für Mikrowellen) bis 48% (für Seifen) aus dem Kauf ineffizienter Marken festgestellt.619 Diese Schätzung ist jedoch nicht vollkommen realitätsgetreu, denn es ist unwahrscheinlich, dass alle Marken die gleichen Marktanteile besitzen. Es ist eher davon auszugehen, dass die effizienten Marken häufiger gekauft werden und somit höhere als Durchschnitts617 618 619
Kamakura/Ratchford/Agrawal (1988), S. 291. Vgl. Hjorth-Andersen (1984), S. 710 f. Vgl. Kamakura/Ratchford/Agrawal (1988), S. 298.
211 marktanteile haben, da sich viele Konsumenten vor dem Kauf informieren und verschiedene Marken vergleichen. Daher sind die geschätzten Ineffizienzen als Obergrenzen der Marktineffizienz anzusehen, da hier praktisch die Annahme zugrunde liegt, dass alle Kaufentscheidungen nach Zufallsprinzip erfolgen. Die Ergebnisse zeigen deutlich, dass das Ausmaß der Preisineffizienz bei niedrigpreisigen und damit vermutlich Low-Involvement-Produkten deutlich höher ausfällt, da hier nur geringe Such- und Vergleichsaktivitäten zu erwarten sind. Aus der Perspektive des Anbieters ist der reziproke Wert des eben beschriebenen Verhältnisses, also das Verhältnis von erhaltenem Preis zu den vorhandenen Eigenschaften eines Produktes zu maximieren. Dieses Verhältnis wäre aus Sicht der Kunden natürlich zu minimieren. Das Verhältnis darf jedoch nur so groß sein, dass sich Konsumenten gerade noch für das Produkt entscheiden. Die anbieterorientierte Preiseffizienz ist somit eine reziproke Betrachtung der nachfragerorientierten Preiseffizienz. Auf einer aggregierten Ebene kann das Verhältnis vom maximal möglichen Umsatz zum tatsächlich erzielten Umsatz herangezogen werden.620 Wie bereits im Abschnitt zur Produkteffizienz angesprochen, bestünde eine viel versprechende Forschungsfrage darin, die Preiseffizienz auf Basis der Theorie der hedonischen Preisbildung zu untersuchen. Diese hat zum Ziel, einen funktionalen Zusammenhang zwischen den nutzenstiftenden Eigenschaften eines Produktes und dessen Preis herzustellen.621 Sie baut ebenfalls wie die DEA auf der Idee des „Eigenschaftsansatzes“ auf und befasst sich mit der Bestimmung der Preisanteile dieser Produkteigenschaften am Gesamtpreis eines Gutes.622 Hierfür könnten die DEAErgebnisse eine gute Basis liefern.
Autoren / Fragestellung HjorthAndersen (1984) Untersuchung der Markteffizienz und Bestimmung des Wohlfahrtsverlustes mittels FDH
620
621 622
Analysegegenstand 2.076 Produkte aus 127 Kategorien
Inputs
Outputs
Kernbefunde
• nicht angegeben
• nicht angegeben
• 54% der untersuchten Produkte sind preisineffizient • 122 der 127 Kategorien enthalten ineffiziente Produkte, es bestehen teilweise erhebliche Marktineffizienzen • der Wohlfahrtsverlust durch den Kauf von ineffizienten Produkten beträgt im Durchschnitt über alle Kategorien 12,8% der Ausgaben der Konsumenten • dieser Wert stellt aber die Obergrenze dar, weshalb eine staatliche Regulierung der Märkte als nicht notwendig angesehen wird
Färe/Grosskopf/Lovell (1994), S. 190. Dieser Beitrag beschränkt sich auf ein nummerisches Beispiel, so dass er in Tabelle 23 nicht als empirische Studie aufzuführen ist. Vgl. Hall/Lloyd (1985), S. 192. Vgl. Lancaster (1966), S. 133 ff.; Rosen (1974).
212 Autoren / Fragestellung Kamakura/ Ratchford/ Agrawal (1988)
AnalyseInputs gegenstand Anwendung 1: • Preis 16 Batterien im US-Markt
Ermittlung der Preiseffizienz durch Vergleiche des objektiven (fairen) mit dem tatsächlichen Preis
Outputs
• Im BCC-Modell sind 50%, im CCR-Modell 31% der Batterien Lebensdauer bei preiseffizient permanenter Nut• Markteffizienz (gemessen als zung durchschnittliche Preiseffizienz) • Durchschnittliche liegt bei 0,91 (BCC) bzw. 0,84 Lebensdauer bei (CCR) unterbrochener • der niedrigste Effizienzwert liegt Nutzung bei 0,6; d.h. der maximale Wohl• Leistung bei perfahrtsverlust beim Kauf einer inefmanenter Nutzung fizienten Batterie beträgt 40% (1 • Leistung bei un0,6) des Kaufpreises terbrochener Nutzung
• Durchschnittliche
Messung des Wohlfahrtsverlustes durch Anwendung 2: ineffiziente 82 PKWs im Produkte im US-Markt Markt
• Preis
• • • • • • • •
Kalita (1994)
• Preis
•
Untersuchung der Markteffizienz auf Basis der Daten von Kamakura/ Ratchford / Agrawal (1988) mittels Regression, DEA, FDH, SFA
16 Batterien
Kernbefunde
• 78% der analysierten PKWs sind preiseffizient • Ineffizienzen (Wohlfahrtsverluste) sind im Automarkt sehr gering; Marktineffizienz beträgt lediglich 1% des Gesamtmarktumsatzes • Befunde können durch hohe Komplexität der Produkte und damit verbundene hohe Such- und Informationsintensität der Konsumenten begründet werden • Preiseffizienz ist höher bei höherpreisigen Produkten • Preiseffizienz der PKW über die Zeit fast unverändert Durchschnittliche • Markteffizienzwert ist Durchschnitt Betriebsdauer bei der zugehörigen Produkteffizienzpermanenter Nutwerte zung • die DEA ermittelt einen MarkteffiDurchschnittliche zienzwert von 0,98; die SFA von Betriebsdauer bei 0,94 unterbrochener • Regression und FDH klassifizieren Nutzung jeweils 50% der Produkte als effiLeistung bei perzient manenter Nutzung • die Korrelation der Ergebnisse von Leistung bei unDEA und SFA beträgt nur 0,49 terbrochener Nut• die Korrelation zwischen den DEAzung und FDH-Resultaten ist deutlich höher (0,66)
Beinfreiheit Beschleunigung Länge Breite Verbrauch Fahrkomfort Handling Reparaturanfälligkeit • Sonderausstattung
•
• •
Tabelle 23: Empirische DEA-Studien zur Preiseffizienz
Die in der Multiplier-Form des DEA-Modells ausgegebenen Output-Gewichte (virtuellen Multiplikatoren) können, wenn als Input allein der Preis herangezogen wird, unter bestimmten Bedingungen als empirisch geschätzte hedonische Preise der einzelnen Outputmerkmale interpretiert werden.623
623
Vgl. Dyson/Thanassoulis (1988); Kamakura/Ratchford/Agrawal (1988).
213 Im Unterschied zur hedonischen Regression würden die Gewichte allerdings nicht den über alle Produkte betrachteten durchschnittlichen Beitrag der Eigenschaften zur Durchsetzung des Marktpreises angeben. Stattdessen zeigen die DEA-Gewichte, wie die Eigenschaften maximal zu bepreisen sind, wenn der resultierende Gesamtpreis effizient sein soll. Aus solchen Daten könnte das Marketing z.B. erkennen, welchen Kostenanteil ein Attribut in der jeweiligen Ausprägung gemäß seinem Nutzenbeitrag maximal beanspruchen darf bzw. welchen Preisanteil ein Hersteller für die jeweiligen Attribute veranschlagen kann. Diese Informationen könnten eine Hilfestellung im Rahmen des Target Costing und der Preisgestaltung sein. Eine entsprechende Interpretation der DEA-Ergebnisse für die Preispolitik wird im Rahmen der empirischen Untersuchung in Kapitel E-1 vorgenommen.
2.4.
Anwendungen zur Kommunikationseffizienzanalyse
Die DEA-basierte Effizienzforschung im Bereich der Kommunikationspolitik hat sich bisher fast ausschließlich auf die klassische Werbung beschränkt. Für Sales Promotions wurde das Thema Effizienz im Sinne einer Input-Output-Beziehung noch kaum aufgegriffen. Zum Thema Promotioneffizienz kann nach Kenntnis des Verfassers erst auf eine Studie verwiesen werden, die in Kooperation mit einem internationalen Konsumgüterhersteller entstand und an der der Verfasser beteiligt war.624 Darüber hinaus existieren in der Literatur bisher keine Untersuchungen zur Messung der InputOutput-Effizienz von Promotionmaßnahmen. Diese Studie eröffnet daher ein neues Anwendungsgebiet für die DEA, welches vielversprechend erscheint, da hierzu selbst innerhalb eines Unternehmens in der Regel große Datenbestände vorliegen. So führen gerade Hersteller von Konsumgütern jährlich eine Vielzahl von Verkaufsaktionen durch. Da die Ablaufprozesse von Promotions und die verwendeten Instrumente relativ stark standardisiert sind, bietet es sich gerade an, Promotionaktionen innerhalb bestimmter Handelskanäle und auch zwischen Kanälen im Hinblick auf die Effizienz des Mitteleinsatzes zu vergleichen. Die wesentlichen Ergebnisse der Studie zur Promotioneffizienz können Tabelle 24 entnommen werden. Die Studien zur Analyse der Werbeeffizienz konzentrieren sich entsprechend der zwei unterschiedlichen Perspektiven der Werbeeffizienz entweder auf die Werbeerfolgseffizienz oder Werbewirkungseffizienz. Erstere Gruppe von Studien versucht, auf einer aggregierten Makro-Ebene die Ineffizienz der Werbeausgaben bei der Erzeugung von Umsatz/Absatz aufzudecken. Sie helfen, den Return on Investment einer Werbekampagne und somit deren Wertsteigerungsbeitrag zu bestimmen. Demgegenüber sind die Studien zur Werbewirkungseffizienz auf einer vorgelagerten 624
Vgl. Görtz/Hammerschmidt (2006).
214 Mikro-Ebene angesiedelt. Sie setzen neben ökonomischen auch vor-ökonomische Werbewirkungsgrößen in Relation zur Einsatzintensität der Gestaltungsinstrumente (Werbewiederholungen, Anzeigengröße, Bildgröße). Hier geht es somit darum, wie die emotionalen und kognitiven Werbeziele, die vereinfacht durch die Begriffe „Überzeugen“ und „Informieren“ beschrieben werden können, durch inhaltliche Gestaltung des Werbemittels effizienter erreicht werden können. In erstere Gruppe lässt sich die viel zitierte Untersuchung von Luo/Donthu einordnen, die im ersten Teil auf der Makro-Ebene die zeitliche Entwicklung der aggregierten gesamtunternehmerischen Werbeeffizienz für 63 der 100 größten Werbetreibenden in den USA untersuchen. Diese „Top 100 US Advertisers“ investierten im Jahr 2004 93,3 Mrd. US$ in Werbung.625 Hierbei setzen sie den Umsatz und das operative Ergebnis ins Verhältnis zu den Ausgaben für Werbung in Printmedien, Radio und Fernsehen sowie Außenkampagnen.626 Die sehr umsatzstarken Unternehmen wiesen überproportional hohe Werbekosten auf, wodurch sich zeigt, dass v. a. große Unternehmen zu exzessiven Werbeausgaben neigen und sich in einem Bereich der Werbeintensität bewegen, in dem ein zusätzlich investierter Dollar kaum mehr nennenswerte Erhöhungen der Zielgrößen bewirkt. Im betrachteten Markt ist somit vor allem bei den führenden Werbetreibenden ein beträchtliches und dazu steigendes Maß an Overspending, d.h. verschwendeten Werbeausgaben, zu beobachten. Slack-Analysen zeigen, dass v.a. die Bereiche Radio/TV und Outdoor die Ineffizienztreiber und somit kritische Faktoren darstellen. So müsste McDonald’s etwa unter Beibehaltung von Umsatz und Ergebnis seine Aufwendungen für Außenwerbung um 26 Mio. Dollar senken, um effizient zu werden. Insgesamt fällt die durchschnittliche Gesamtwerbeffizienz der Unternehmen in beiden Jahren gering aus, wobei eine deutliche Verschlechterung über den Verlauf von zwei Jahren (von 1997 zu 1998) festzustellen ist. Der erste Teil der Studie von Luo/Donthu weist zwei wichtige Beschränkungen auf, die auf eine fast naive, unkritische Anwendung der DEA schließen lassen: Zum einen bleibt die Wahl des DEA-Modells unbegründet. So unterstellen Luo/Donthu implizit konstante Skalenerträge, ohne die Sinnhaftigkeit dieser Annahme zu begründen. Die Autoren unterstellen also, dass es den verantwortlichen Werbemanagern aller Unternehmen einfach möglich ist, (1) die Werbebudgets z. B. von 200.000 auf 400.000 $ zu verdoppeln, (2) einen ebenso verdoppelten Umsatz - bei konstanten Preisen also 625 626
Vgl. Advertising Age (2005). Vgl. Luo/Donthu (2001), S. 14. Die Autoren weisen in ihrer Arbeit explizit darauf hin, dass die Auswahl der Inputs und Outputs für eine Effizienzanalyse mit Hilfe der DEA eine sorgfältige Auseinandersetzung der zu Grunde liegenden Beziehung verlangt. Inputs und Outputs sollten in der DEA stets (stark) positiv korreliert sein, um aussagekräftige Untersuchungsergebnisse zu erzielen. Eine positive Korrelation war für die Beziehung zwischen Werbeausgaben und Umsatz bzw. Betriebsergebnis gegeben; für die zweite Analyse wurden keine Angaben gemacht.
215 eine Verdopplung der Produktnachfrage! - resultieren zu lassen, die (3) vom Unternehmen auch durch entsprechende Verdopplung der Menge befriedigt werden könnte. Dem können aber beschränkte Werbebudgets, begrenzte Produktions- und Vertriebskapazitäten oder sonstige Skaleneffekte entgegenstehen. Gerade bei TVWerbung muss von anfangs zunehmenden und später abnehmenden Skaleneffekten ausgegangen werden. In der Werbewirkungsforschung wird dies durch eine s-förmige Budget-Absatz-Funktion zum Ausdruck gebracht.627 Ist es dem Werbemanagement nicht möglich, die Werbeausgaben hinsichtlich des optimalen Skalenniveaus geeignet anzupassen, etwa wegen eines durch das Zentralcontrolling beschränkten Werbebudgets, so können Kampagnen nicht mehr an Hand der höchsten Durchschnittsproduktivität verglichen werden, wie das bei konstanten Skalenerträgen der Fall ist. Zum anderen fällt die unkritische Wahl von Ergebnisgrößen (Umsatz, Betriebsergebnis) auf, die vermutlich ausschließlich auf der Verfügbarkeit der Daten basiert. So konstatieren die Autoren, dass die Korrelation der drei medienspezifischen Werbeausgabenarten mit dem Betriebsergebnis zwar signifikant positiv, aber mit Korrelationskoeffizienten von 0,28; 0,19 und 0,18 äußerst gering ist. Für den Umsatz ist die Korrelation dagegen stärker (0,61; 0,44; 0,17). Dies ist jedoch logisch zwingend, da der Umsatz einen wesentlichen, definitorischen Bestandteil des Betriebsergebnisses ausmacht und die anderen definitorischen Bestandteile (etwa die Herstellungskosten) mit Ausnahme der Werbeausgaben kaum durch Werbung beeinflussbar sind.628 Daher stellen das Betriebsergebnis bzw. generell Gewinngrößen keine geeigneten Outputs für Marketingeffizienz-Studien dar. Zu ähnlichen Befunden wie Luo/Donthu kommt auch Büschken im Bereich der Automobilmarkenwerbung, wonach besonders Marktführer zum Overspending tendieren. Der Autor erklärt das damit, dass starke Marken bereits fest im relevant set des Verbrauchers verankert sind, so dass viele Maßnahmen lediglich eine unterproportionale Wirkung aufweisen. Es scheint, dass viele große Marken somit bereits einen kritischen Punkt der Werbeintensität überschritten haben.629 Damit ist erklärbar, dass Unternehmen mit kleinen Budgets (Nischenanbieter) sogar effizienter sein können als die Unternehmen mit hohem Werbeanteil.630 In den Arbeiten von Luo/Donthu und Büschken wird die DEA zudem als ein Instrument vorgestellt, das durch Betrachtung der Werbeausgaben in den verschiedenen Medien auf einer übergeordneten Ebene Hinweise zur Mediaselektion liefern kann. Um eine genauere Ursachenforschung zu unterstützen, wird in einer zweiten Anwendung der Studie von Luo/Donthu auf der Mikro-Ebene die Effizienz einzelner Au627 628 629 630
Vgl. Steffenhagen (2004), S. 201. Vgl. Dyckhoff (2006). Vgl. Büschken (2006), S. 17 f. Vgl. Büschken (2006), S. 9.
216 ßenwerbekampagnen der im ersten Teil betrachteten Unternehmen untersucht. Hier wird analysiert, wie die einzelnen Elemente der Kampagnen zu verändern sind, um eine maximale Effizienz zu erreichen, z.B. ob farbige Werbung oder mehr Bilder statt Texte einzusetzen sind. Diese Untersuchungen zur Frage „Wie soll eine wirkungsvolle Werbekampagne aussehen?“ ist in die Gruppe der eher qualitativ ausgerichteten Werbeeffizienzbetrachtungen einzuordnen. Im Rahmen der Werbeinputs unterscheiden die Autoren zwischen ordinalen Inputs (z.B. schwarz-weiße vs. farbige Plakatwand) und kardinalen Inputs (z.B. die Anzahl großer Wörter auf einer Plakatwand). Als Outputs werden die Qualität der einzelnen Plakate in Form einer Expertenbewertung sowie die jeweils erzielten Erinnerungswerte verwendet.631 Hier waren besonders bei Rundfunk- und TV- Werbung sog. Inputkongestionen (Inputüberhäufungen) erkennbar. Bei solchen Kampagnen ließe sich durch eine Reduzierung der Inputintensität sogar eine Erhöhung der Werbewirkung erreichen. Über die Interpretation der Effizienzwerte und Benchmarks können die Autoren für jede Werbemaßnahme Verbesserungspotenziale aufdecken. Abschließend stellen die Autoren einige zentrale Schwächen der DEA (Auslassen von Inputs, Unvollständigkeit der Objektmenge) vor und demonstrieren deren Auswirkungen mit Hilfe von Beispielrechnungen. Die Aussagekraft der zweiten Anwendung von Luo/Donthu wird durch Vernachlässigung wichtiger Werbeoutputs wie Markenstärke, Einstellung aber auch Reichweite oder Zahl der Werbekontakte eingeschränkt. Solche und weitere Größen sind jedoch zu berücksichtigen, um den Leistungsprozess der Werbung (Kreation, Produktion, Reichweite) gut abzubilden. Tabelle 24 vermittelt den aktuellen Stand zur empirischen Kommunikationseffizienzforschung.632 Da sich die Werbeeffizienzforschung noch im Anfangsstadium befindet, existieren noch keine umfassenden, theoretisch fundierten Studien, die Inputs und Outputs entlang des gesamten Werbewirkungsprozesses einbeziehen. Die meisten Studien verwenden hoch aggregierte, finanziell-orientierte Input- und Outputgrößen und versuchen, die Werbeerfolgseffizienz zu ermitteln. Zwar zeichnen sich die monetären Größen durch leichtere Quantifizierbarkeit aus und unterstützen Unternehmen bei der effizienten Budgetierung von Ausgaben im Rahmen der Kommunikationspolitik.633 Fraglich erscheint jedoch der unterstellte kausale Zusammenhang zwischen den Ausgaben für Werbemaßnahmen und hoch aggregierten finanziellen Größen wie Umsatz oder Gewinn. 631
632 633
Eine prinzipiell ähnlich angelegte Untersuchung nehmen Bauer/Hammerschmidt/Garde (2004b) für Werbebanner im Internet vor. Auch hier bildet nicht der monetäre Aufwand, sondern der gestalterische Aufwand für die Banner (Bildgröße, Einbindung von Kooperationspartnern) den Input, der zur Erreichung bestimmter psychografischer und verhaltensbezogener Werbewirkungsziele eingesetzt wird. Hierbei zeigt sich, dass die einzelnen Gestaltungsmittel nur für bestimmte Zielgrößen effizient sind. Vgl. auch Kleemann/Hammerschmidt (2006b). Vgl. Luo/Donthu (2005), S. 33 f.
217 Außerdem lässt die Verwendung eines alle Einzelinstrumente zusammenfassenden Inputs in Form der Kosten die Effizienzwirkungen der einzelnen qualitativen Gestaltungselemente (Bild- oder Anzeigengröße, Text- vs. Bilddominanz) außer Acht. Damit ergeben sich nur schwache Implikationen für die Optimierung der einzelnen Gestaltungsinstrumente (etwa Bildelemente, Anzeigengröße), obwohl die Gestaltung der Werbemittel letztlich die Ursachen für eine niedrigere oder höhere Werbezielerreichung darstellen. Sie erlaubt v.a. keine Entscheidungsunterstützung zur Priorisierung der verschiedenen Gestaltungsmittel. Eine Erfassung der Outputseite ausschließlich durch monetäre Größen, die am Ende der Wirkungskette stehen, kann keine Aussagen dazu machen, welche psychografischen Werbeeffekte primär zur Umsatzsteigerung geführt haben. Die Komplexität gerade des Werbebereichs, der keine unmittelbar tangiblen Outputs erbringt, verlangt viel stärker eine multidimensionale Konzeptualisierung sowohl der Input- als auch Outputseite.634
Autoren / Fragestellung
Analysegegenstand
Inputs
Outputs
Kernbefunde
53 Promotions von 4 Marken und 15 Produktlinien im Markt für Raumdüfte
• Basisumsatz • Preisreduktion • Intensität des
• Promotion-
• Während in Discountern 88% der
Promotions Görtz/Hammerschmidt (2006) Effizienzbetrachtung für drei Handelskanäle (Drogeriemärkte, Verbrauchermärkte, Discounter) sowie Totalmarktbetrachtung
reinen Displayeinsatzes
• Intensität der reinen Preispromotions
• Intensität der reinen Handzettelwerbung
• Intensität des kombinierten Einsatzes von Handzettelwerbung und Displays
umsatz
• Zusatzumsatz
Promotions effizient waren, betrug die Quote in Verbrauchermärkten nur 52%; dies lässt auf eine prinzipiell höhere Eignung (Affinität) von Discountern für Promotions schließen
• Es lassen sich prinzipiell zwei effiziente Promotionstrategien identifizieren: Pure Play Promotions (d.h. Fokussierung auf Displaypromotions) und Mixed Promotions (kombinierter Einsatz von Preisreduktion und Displays bzw. Handzettelwerbung)
• Reine Preispromotions und reine Handzettelwerbung sind hingegen überwiegend ineffizient und sollten durch andere Instrumente unterstützt werden, wobei die Art der Unterstützung bzgl. der Produktkategorie ausgewählt werden sollte
• Für sog. „Problemlöser-Produkte“ mit hohem Involvement sind eher kombinierte Handzettel- und Preispromotions effizient (da diese Produkte meist vor dem Kauf schon gezielt ausgewählt werden)
• Für sog. „Wohlfühlprodukte“ ist tendenziell eine Unterstützung durch Displays effizient, da diese Produkte oftmals erst am POS impulsgesteuert (spontan) gekauft werden
634
Vgl. Bhargava/Dubelaar/Ramaswami (1994), S. 235; Clark (2000), S. 42 ff.
218 Werbung Bhargava/Kim (1995) Effizienzanalyse mit DEA und multipler Regression (Methodenvergleich)
361 Werbeanzeigen
Luo/Donthu (2001) Zeitreihenanalyse der Werbeerfolgseffizienz (1997/1998)
Anwendung 1: 63 der Top 100 werbenden Unternehmen der USA
Werbeausgaben für
Luo/Donthu (2001) Disaggregierte Analyse der Effizienz einzelner konkurrierender Werbemaßnahmen (Wettbewerbsbenchmarking)
Anwendung 2: 23 Außenwerbekampagnen
• Anzahl großer
• Anzeigengröße • Anzahl der Farben
• Anzahl Fotos • Bildgröße (als Anteil an Anzeigegröße)
3 “StarchScores”:
• Bildgröße und Logogröße haben
• Ad-Attention • Ad-Elaboration • Ad-
• DEA-Effizienzwerte korrelieren stär-
Comprehension
• Logogröße
• Print • TV/Radio • Außenwerbung
• Umsatz • operatives Ergebnis
signifikant negativen Einfluss auf Werbeeffizienz ker mit Inputvariablen als mit Fehlertermen der Regression, d.h. die DEAScores sind keine linearen Transformationen der Abweichungen von der Regressionsgeraden (Residuen )
• Es existieren sehr große Ineffizienzen; teilweise ist die relative Effizienz geringer als 0,2, d.h. es wurden zu viele Ressourcen ohne entsprechende Wirkung investiert (starke Overspendings)
• Ineffizienzen haben im Zeitverlauf zugenommen Wörter in der Werbung
• Anzahl platzierter Konzepte/ Informationen auf dem Plakat
• Recall der Kampagne
• Qualität der Werbung (Expertenbewertung)
• 25% der Kampagnen sind relativ ineffizient, v.a. bei starker Textlastigkeit
• Bestimmung von Zielvorgaben für die Werbekampagnen
• bei ineffizienten DMUs v.a. im Bereich Rundfunk/TV und Außenwerbung sind Outputerhöhungen durch Inputsenkungen möglich, wenn z.B. Reduktion der Informationsmenge zu abnehmender Reaktanz und somit höherer Kaufbereitschaft führt
• Anzahl Bilder auf dem Plakat
• Farbigkeit der Werbung
• Ein Ranking auf Basis der Gesamteffizienz (DEA) weicht stark von den Rankings auf Basis einzelner Outputgrößen (wie Recall) ab Büschken (2003, 2006) Untersuchung der Effizienz der Markenwerbung und deren Ursachen anhand von Methodenvergleichen (CCR vs. BCC, Input- vs. Outputorientierung)
35 Automobilmarken im deutschen Markt
Werbeausgaben für
• TV • Radio • Print • Außenwerbung
• Purchase Consideration (Kaufwahrscheinlichkeit)
• Ineffizienz bei Markenwerbung in großem Maße vorhanden, nur 20% der Marken sind effizient
• Werbeeffizienz variiert sehr stark (niedrigster Effizienzwert bei 2%)
• Vor allem Marktführer tendieren zum Overspending, insbesondere bei Radio- und Außenwerbung
• Hohe brand consideration ist kein Indikator für effiziente Kommunikation.
• Eine Regression zwischen den Effizienzwerten und möglichen Determinanten zeigt, dass nur 30% der Ineffizienz durch Umfang des Produktportfolios (Marktabdeckung), Produkterfahrung, Markenimage und PreisLeistungs-Verhältnis erklärbar ist; offenbar existieren weitere Ursachen der Ineffizienz, wie etwa Mediaselektion und Markenrelevanz für Zielgruppen
219 Bauer/Hammer- 30 Onlineschmidt/Garde Werbebanner (2004b) aus 3 Produktkategorien Analyse der Effizienz der Werbegestaltung im Internet unter Berücksichtigung von Skaleneffekten durch Vergleich von CCR- und BCC-Modell
• Bannergröße • Bildanteil • Grad der Werbekooperation (Co Advertising)
• Aufmerksamkeit • Nur 5 von 16 Werbetreibenden schalten in allen untersuchten Produktka• Ungestützte Werbeerinnerung
• Produktinteresse
• Einstellung gegenüber der Werbemaßnahme (Attitude toward the Ad)
• Kaufwunsch • Klick-Rate
tegorien effiziente Banner
• Einige der Unternehmen sind in keiner Kategorie mit ihrer BannerWerbung effizient
• Der schlechteste Banner erreicht nur 40% der Effizienz des relevanten Benchmarks, müsste also alle Inputs um 60% reduzieren
• Für die meisten ineffizienten Banner zeigen sich abnehmende Skalenerträge des relevanten Teilstücks der Werberesponsefunktion (d.h. Größenineffizienzen durch Schaltung zu großer Banner mit zu hohem Bildanteil)
• Weitere Ineffizienzursache ist eine unzureichende Transformation psychografischer Werbewirkungen (Produktinteresse, Kaufinteresse) in konkrete Handlungen (Click Rate)
• Es existieren mehrere erfolgreiche Online-Werbestrategien (die Gestaltungselemente/Instrumente wirken dabei unterschiedlich auf die Werbewirkungsgrößen) Luo/Donthu (2005) Untersuchung der Effizienz der Werbeausgaben in Bezug auf Umsatzgenerierung; Vergleich DEA und SFA
• 100 größte werbetreibende Unternehmen der USA
Werbeausgaben für
• Print • TV/Radio • Außenwerbung
• Umsatz
• Die Unternehmen hätten bei effizientem Werbeeinsatz 20% mehr Umsatz generieren können
• Die mit SFA ausgewiesene Ineffizienz ist geringer, da ein Teil der Abweichung vom effizienten Rand nicht auf Ineffizienzen, sondern auf nicht kontrollierbare Zufallseinflüsse zurückzuführen ist, die mit SFA berücksichtigt werden
Tabelle 24: Empirische DEA-Studien zur Kommunikationseffizienz
Nur wenige Studien widmen sich stärker der Analyse der Effizienz der Werbeexekution, statt nur der Werbeausgaben.635 Sie liefern mit ihren Ergebnissen Hinweise auf die Zuordnung der erreichten psychografischen und verhaltensbezogenen Outputwirkungen zu den eingesetzten Gestaltungsparametern. Dadurch sind Aussagen möglich, bei welchen Zielen welche Stellhebel der Werbemittelgestaltung genutzt werden sollten. Gerade eine Weiterentwicklung der Effizienzanalyse auf Basis disaggregierter, psychografischer Outputs erscheint viel versprechend für die Beantwortung inhaltlicher Fragestellungen der Werbepraxis. Zukünftig besteht v.a. Bedarf an Studien, die die Bedeutung der einzelnen Inputs oder Outputs für die festgestell-
635
Vgl. Bauer/Hammerschmidt/Garde (2004b) für Online-Werbung und Bhargava/Kim (1995) für klassische Anzeigenwerbung.
220 ten Ineffizienzen aufdeckt, um so Aussagen über Effizienztreiber und erfolgreiche Werbekonzepte zu generieren. Weiterhin hat bisher kaum eine Studie die Problematik von Skaleneffekten (Größeneffekten) in der Werbung bei der Effizienzmessung berücksichtigt. Mittels eines entsprechenden Untersuchungsdesigns könnte überprüft werden, ob auch eine auf Basis von Best-Practice-Beobachtungen gebildete Werbereaktionsfunktion einen degressiv steigenden Verlauf aufweist, so wie er auf Basis klassischer AverageResponse-Modelle zu erwarten wäre.636 So ist zu vermuten, dass eine Zunahme der Intensität der Werbeinputs (etwa in Form größerer Anzeigen, größerer Bilder) zu geringeren Effizienzwerten führt.637 Dies würde auf abnehmende Skalenerträge hinweisen, weshalb die Verwendung von DEA-Modellen mit konstanten Skalenerträgen im Werbebereich zu hinterfragen wäre. Stattdessen sollten zukünftige Studien die Effizienz unter verschiedenen Skalenertragsannahmen untersuchen und vergleichen.
2.5.
Anwendungen zur Distributionseffizienzanalyse
In Abschnitt B-3.1 wurde deutlich gemacht, dass sich traditionelle Ansätze zur Messung der Marketingproduktivität vorrangig auf die Distributionspolitik und hier speziell den Handel beziehen. Auch in diesem Bereich wird jedoch zunehmend versucht, die Vielfältigkeit der Performanceparameter zu würdigen, indem multidimensionale Verfahren wie die DEA eingesetzt werden, um aussagekräftigere Informationen zur Managementunterstützung zu gewinnen. Die bestehenden DEA-Studien wählen unterschiedliche Aggregationsgrade der Analyse. So untersuchen einige Studien auf einer individuellen Ebene die Leistungsfähigkeit von Vertriebsmitarbeitern. Auf individueller Ebene können somit alle Ursachen von Ineffizienzen identifiziert werden, die in der Arbeit der einzelnen Mitarbeiter liegen. Die Ergebnisse dieser Studien, die Verantwortlichkeiten für eine aufgedeckte Ineffizienz auf der niedrigsten Ebene und somit direkt zuweisen, haben unmittelbare Implikationen für die Personalführung. Aus diesen ergeben sich Ansatzpunkte für die Mitarbeiterbeurteilung, Vergütungsmodelle und evtl. erforderliche Weiterbildungsmaßnahmen. Auf einer mittleren Aggregationsebene betrachtet eine zweite Gruppe von Studien die Effizienz von Personengruppen (Teams, Mannschaften) innerhalb der Vertriebsorganisation eines Unternehmens. Die Verantwortlichkeiten für Leistungsabweichungen und entsprechende Verbesserungsvorgaben lassen sich auch hier noch relativ verursachungsgerecht zuweisen. Auf dieser Ebene lassen sich auch strukturelle
636 637
Vgl. Lodish et al. (1995), S. 136 f. Vgl. Bauer/Hammerschmidt/Garde (2004b), S. 37 f.
221 Probleme erkennen, was bei individueller Bewertung nicht möglich ist. So können etwa Aussagen zur optimalen Größe von Vertriebseinheiten getroffen werden. Eine dritte Gruppe untersucht aus institutioneller Perspektive die Effizienz der ganzen internen Vertriebsorganisation eines Unternehmens (Backoffice), in der sämtliche Teams bzw. Mitarbeiter zusammengefasst sind, oder eigenständiger externer Vertriebsorgane in Form von Filialen oder Niederlassungen z. B. von Banken, Restaurants, aber auch Einzelhandelsunternehmen. Problematisch ist hier, dass Handlungsempfehlungen nur auf einem sehr abstrakten Niveau ausgesprochen werden können und ein Herunterbrechen der Zielvorgaben bzw. die Aufteilung der notwendigen Verbesserungen dann allein (und daher möglicherweise willkürlich) vom Anwender vorzunehmen ist. Für jede Ebene soll im Folgenden eine einschlägige Studie genauer vorgestellt werden. Die Modellspezifikationen und Kernergebnisse aller anderen Untersuchungen werden wiederum tabellarisch zusammengefasst. In den meisten Analysen werden die Inputs durch die eingesetzten Ressourcen operationalisiert, die sich an der klassischen Einteilung in die drei generischen Produktionsfaktoren Arbeit (Personalstärke), Boden (Verkaufsfläche, Mietkosten) und Kapital (Ausstattung, Betriebskosten) orientieren. Erfolgsgrößen wie Umsatz oder Gewinn erfassen die Outputs. Individualebene Boles/Donthu/Lohtia vergleichen die Aussagekraft verschiedener Methoden der Performanceanalyse (ausschließlich input-, ausschließlich output- sowie input-outputbasierte Verfahren, darunter die Regressionsanalyse und die DEA) zur Analyse der individuellen Performance von Mitarbeitern.638 Die auf Basis der jeweiligen Performancemaße gebildeten Rangfolgen der untersuchten 58 Vertriebsmitarbeiter weisen zum Teil erhebliche Unterschiede auf. Auffallend sind die niedrigen Korrelationen der DEA-Ergebnisse mit denen der anderen Messansätze. Die hohe Übereinstimmung der DEA-Rankings mit den subjektiven Beurteilungen des Managements stützen nach Ansicht der Autoren die Validität ihrer Ergebnisse.639 Die DEA erweist sich als die zuverlässigere Methode in Bezug auf das Pareto-Effizienzkriterium, da die Regression aufgrund ihres Average-Practice-Ansatzes einen Teil der Outputerhöhungen, die ohne Erhöhung des Inputs oder Senkung anderer Outputs möglich wären, unaufgedeckt lässt. Die DEA liefert darüber hinaus weit mehr diagnostische und handlungsrelevante Informationen (z.B. Stärken und Schwächen der einzelnen Vertriebsmitarbeiter, Umsatzvorgaben, Entlohnung) als die anderen Verfahren. Aufgrund der Fähigkeit, die individuellen Besonderheiten der Mitarbeiter adäquat zu berücksichtigen, ist der Einsatz der DEA besonders in solchen Unternehmen zu empfehlen, de638 639
Vgl. Boles/Donthu/Lohtia (1995), S. 32 ff. Vgl. Boles/ Donthu/Lohtia (1995), S. 43 ff.
222 ren Vertriebsmitarbeiter unter unterschiedlichen Bedingungen in den einzelnen Vertriebsgebieten arbeiten und daher kaum anhand eines einheitlichen Standards bewertet werden können.640 Gruppenebene Die erste DEA-Effizienzanalyse innerhalb des Vertriebs stammt von Mahajan und ist auf der mittleren Ebene angesiedelt. Er untersucht die Effizienz der Vertriebseinheiten von 33 konkurrierenden Versicherungsgesellschaften und insbesondere die Auswirkungen, wenn die kritischen Vertriebsressourcen (etwa die Anzahl und Größe der betreuten Gebiete) beeinflussbare Variablen für die Teams darstellen. Die durchschnittliche Summe der Versicherungsprämien pro Mitarbeiter und die erwartete Steigerung der Versicherungsprämien werden als Vertriebsoutputs verwendet. Ausgehend von den Gewichten der einzelnen Inputs und Outputs und den identifizierten Slacks werden anschließend genaue Handlungsvorschläge zur Effizienzsteigerung der einzelnen Versicherungen abgeleitet. Die Vertriebseffizienz der meisten Teams lässt sich, so die zentrale Aussage der Studie, weiter erhöhen, wenn diese die bisher von der Gesellschaft zentral gesteuerten Ressourcen selbst kontrollieren können. Dies erscheint plausibel, weil diese aufgrund der Nähe zu den Kunden besser in der Lage sind, die Ressourcen gezielt zu planen und einzusetzen.641 Organisationsebene Athanassopoulos/Thanassoulis betrachten die Marketingeffizienz verschiedener Niederlassungen eines Unternehmens am Beispiel der Restaurantkette einer großen Brauerei. Durch einen Vergleich der Effizienzwerte mit der Profitabilität können die Ursachen von Ineffizienzen ermittelt werden. Diese liegen in der Fähigkeit, das Marktpotenzial durch Umsatzgenerierung zu realisieren, und/oder in der Kostenkontrolle, d.h. in der Fähigkeit, erzielte Umsätze in Gewinn zu transferieren.642 Dabei sind einige Restaurants in Bezug auf beide Dimensionen überlegen; diese werden als „Stars“ bezeichnet und bilden die Benchmarks der Organisation. Andere Outlets zeichnen sich durch gute Umsatzpotenzialausschöpfung, jedoch durch ineffiziente operative Prozesse und einen schlechten Zustand der Restaurants mit der Folge hoher Kosten aus. Hier sind v.a. Maßnahmen zur Kostenkontrolle einzuleiten. Andere Implikationen ergeben sich für Restaurants mit hoher Kosteneffizienz und damit Profitabilität, die sich jedoch durch eine nicht ausreichende Marktdurchdringung auszeichnen. Diese von Athanassopoulos/Thanassoulis als „Sleepers“ bezeichneten Einheiten sind kleine und unter vorteilhaften Marktbedingungen agierende Restaurants, die erhebliche Überkapazitäten aufweisen, die es durch eine Fokussierung auf 640 641 642
Vgl. Kreuder (2003), S. 103 f. Vgl. Mahajan (1991), S. 201. Vgl. Athanassopoulos/Thanassoulis (1995), S. 25 ff.
223 Neukundengewinnung zu nutzen gilt. Hier ist jedoch zu bedenken, dass die geringen Kosten auch durch eine geringe (Service)Qualität bedingt sein können. Weiterhin untersuchen die Autoren, ob verschiedene Typen von Outlets der Brauerei (Pubs mit einem hohen vs. niedrigen Anteil an Laufkundschaft) systematische Performanceunterschiede aufweisen. Dazu wurde die durch das zentrale Management mittels Preissetzung und Produktmix beeinflussbare Effizienz eliminiert und die Einheiten der zwei betrachteten Segmente, die sich somit nur noch durch exogene Variablen unterscheiden, verglichen. In der Tat wurden systematische Effizienzunterschiede zwischen den Gruppen aufgedeckt. Die Pubs mit Laufkundschaft waren sowohl effizienter als auch profitabler. Dies liefert wichtige Informationen für die Wahl der optimalen Betriebsform und Standorte bei zukünftigen Filialeröffnungen.643 Die Kenntnis der Input- und Output-Ausprägungen der effizienten Referenzfilialen lassen sich nutzen, um Umsatzziele für neu zu eröffnende Filialen in Abhängigkeit des jeweiligen Skalenniveaus und der Marktbedingungen vorzugeben. So lassen sich durch den Vergleich mit Referenzfilialen bei inputorientierter Betrachtung für die exogenen Marktvariablen wie Anzahl der Wettbewerber oder Alkoholkonsum kritische Schwellen bestimmen, bis zu denen sich die Marktbedingungen verschlechtern können, ohne dass sich die optimale Lösung, d.h. die Vorgaben bzgl. des Umsatzes, ändern. Trotz der aufgezeigten interessanten Aspekte ist die Generalisierbarkeit der Ergebnisse aufgrund der geringen Anzahl der zudem sehr spezifischen Inputs als etwas fraglich einzuschätzen. In einer komplexen Analyse untersuchen Thomas et al. die Effizienz von 520 Filialen eines großen Einzelhandelsunternehmens. Sie berücksichtigen mit 16 Inputs (die zu vier Input-Gruppen zusammengefasst werden) und zwei Outputs ein umfassendes Set an Einflussfaktoren.644 Die Autoren zeigen, dass ein Problem entstehen kann, wenn die von der DEA frei optimierten Gewichtungen nicht den strategischen Prioritäten der Unternehmensleitung entsprechen. Durch Anwendung verschiedener Formen von Gewichtsrestriktionen kann dieser Schwäche jedoch entgegengewirkt werden. Auch in diesem Beispiel konnte die Rangfolge der DEA-Effizienzwerte durch die Beurteilung des Managements bestätigt werden. Thomas et al. demonstrieren anhand einer großen Datenbasis, wie die Unternehmensziele, Strategien und Vorstellungen der Unternehmensleitung in eine DEA integriert werden können. Die DEAErgebnisse können dann die Basis für ein strategisch ausgerichtetes Vergütungssystem sein.
643 644
Vgl. Athanassopoulos/Thanassoulis (1995), S. 32. Vgl. Thomas et al. (1998), S. 494 ff..
224 Tabelle 25 fasst bisherige DEA-Studien im Bereich der Distributionspolitik zusammen.645 Wie ersichtlich wird, stellt die mittlere Aggregationsebene der Vertriebseffizienzbetrachtung einen guten Kompromiss zwischen Exaktheit der Zurechnung von Ineffizienzursachen (Individualebene) und struktureller Aussagekraft (Organisationsebene) dar. Auf der mittleren Ebene können unterschiedlich erfolgreiche Verkaufskonzepte, individuelle Stärken-Schwächen-Profile und darauf zugeschnittene Zielvorgaben und Verbesserungsempfehlungen ermittelt sowie die Auswirkungen von Parameterveränderungen simuliert werden. Insofern erscheint es vielversprechend, diese Richtung der Vertriebseffizienzanalyse weiter voranzutreiben. Gerade auf dieser Messebene existieren bisher jedoch die wenigsten Anwendungen. Deshalb blieben auf der mittleren Aggregationsebene einige wichtige Problemstellungen bisher unbehandelt: So wären zukünftig Studien wünschenswert, die unterschiedliche Vertriebskanäle vergleichen und Performanceveränderungen durch Zeitreihenuntersuchungen analysieren. Ebenso selten werden in Arbeiten sog. nicht diskretionäre Einflussfaktoren bezüglich der Gebietsattraktivität (z.B. Kundenstruktur im Vertriebsgebiet, Umsatzpotenzial) berücksichtigt, welche vom Management nicht beeinflusst werden können, jedoch erhebliche Performanceauswirkungen besitzen.
Autoren / AnalyseInputs Fragestellung gegenstand
Outputs
Kernbefunde
Einzelne Außendienstmitarbeiter (Individualebene) Boles/Donthu/ Lohtia (1995) Internes Benchmarking von Mitarbeitern im Verkauf
58 Vertriebsmitarbeiter einer Werbeagentur
•
Erfahrung des Mitarbeiters (Anzahl Verkaufstrainings)
•
Quote Ist- zu SollAbsatz (Grad der Zielerreichung)
•
DEA ist zuverlässigste Messmethode in Bezug auf ParetoKriterium
• •
Gehalt des Mitarbeiters
• •
Umsatz
•
Hohe Übereinstimmung von DEA-Ranking und Managementbeurteilung
Vergleich alternativer Methoden der Effizienzmessung
•
Anzahl potenzieller Kunden des Mitarbeiters
•
Einsatz der DEA v.a. dann empfehlenswert, wenn Mitarbeiter unter unterschiedlichen Bedingungen arbeiten
Pilling/Donthu/ 172 Henson Vertriebsmit(1999) arbeiter von BekleiMessung der dungsunterEffizienz von nehmen Vertriebsmitarbeitern unter Berücksichtigung des Einflusses des Marktpotenzials der Gebiete
•
Durchschnittlicher Kundenwert (Umsatz) pro Mitarbeiter
Umsatz
•
Leistungseinschätzung des Mitarbeiters
7% der Mitarbeiter arbeiten effizient
•
die Effizienz wird stark von den Merkmalen des betreuten Verkaufsgebiets beeinflusst
•
sehr breite Streuung der Effizienzwerte
645
•
•
Proportion Manager zu Vertriebsmitarbeitern
Gesamtnachfrage innerhalb eines Vertriebsgebiets (nicht kontrollierbar)
• •
Mitarbeiterqualität (ermittelt durch Vorgesetztenbeurteilung)
Wachstumsrate der Marktnachfrage (nicht kontrollierbar)
Vgl. Bauer/Hammerschmidt/Garde (2004a), S. 34 f.; Kleemann/Hammerschmidt (2006b); Kreuder (2004), S. 110 ff.
225 Autoren / AnalyseInputs Fragestellung gegenstand
Outputs
Kernbefunde
Weibler/ Lucht (2001)
• •
Fluktuationsquote
•
DEA-Ergebnisse werden genutzt, um Auseinandersetzung mit Führungseffizienz zu forcieren und Leistungstransparenz zu schaffen
• •
Arbeitszufriedenheit
•
Durchschnittliche Versicherungsprämie pro Mitarbeiter
•
42% der Teams sind ineffizient
•
•
Erwartetes Wachstum der Versicherungsprämien
Fast alle Teams weisen aufgrund der hohen Wettbewerbsintensität und Marktsättigung geringe Effizienz der Promotionmaßnahmen auf
•
Mehr Entscheidungsfreiheit der DMUs über Anzahl der betreuten Absatzgebiete führt zu höherer Effizienz (bestätigt positiven Effekt einer höheren Kontrolle über kritische Ressourcen)
•
Individuelle Mitarbeiterproduktivität ist entscheidender Stellhebel für Vertriebsergebnis
•
Bloße Umverteilung von Vertriebsmitarbeitern zwischen Regionen ist wenig wirkungsvoll
•
Vergrößerung des Vertriebsteams ist nicht unbedingt effizienzfördernd (Grenzproduktivität von zusätzlichen Mitarbeitern in effizienten Gebieten sogar negativ)
• •
50% der Teams sind effizient
•
Ermittlung zweier effizienter „Vertriebsstile“ („Fetischisten“ vs. "ausgewogene Optimierer")
•
tendenziell schlechte Ausschöpfung des Marktpotenzials
•
einseitige Minimierung nur eines Inputs führt zu Ineffizienz
Verkaufsmitarbeiter
• •
Brutto-Jahresgehalt
•
Kundenpotenzial des Mitarbeiters
Kosten für Schulungen des Mitarbeiters
Mitarbeiterbeurteilung durch Vorgesetzten
Kundenzufriedenheit
Vertriebsteams/Außendienst (Gruppenebene) Mahajan (1991) Analyse der relativen Effizienz von Vertriebsteams und des Einflusses der Ressourcenkontrolle auf die Effizienz
Horsky/ Nelson (1996) Analyse des Einflusses der Vertriebsgröße auf Gewinn und Umsatz
Bauer/ Hammerschmidt (2003) Internes Effizienzbenchmarking der regionalen Vertriebsteams Identifikation erfolgreicher Vertriebsstrategien
Vertriebsteams von 33 konkurrierenden Versicherungsgesellschaften
53 Regionalteams zweier konkurrierender Unternehmen mit insgesamt 359 Mitarbeitern
8 Außendienstteams eines Pharmaunternehmens
•
Größe der Vertriebsteams
•
Anzahl erstellter Angebote
•
Ausgaben für vom Team organisierte Verkaufsförderungsmaßnahmen
•
Anzahl der Vergünstigungen für Mitarbeiter (Schulungsangebote)
•
Anzahl betreuter Gebiete (nicht kontrollierbar)
•
Wettbewerbsintensität der Gebiete (nicht kontrollierbar)
•
Anzahl Vertriebsmitarbeiter
•
Anzahl Vertriebsmitarbeiter der Konkurrenz
•
Zahl potenzieller Kunden
•
Marktpotenzial (nicht kontrollierbar)
• • •
Teamgröße
•
Anzahl verkaufter Aktionsprodukte pro Besuchstour
•
Kundenpotenzial (nicht kontrollierbar)
•
Einwohnerdichte im Vertriebsgebiet (nicht kontrollierbar)
•
Umsatz
• •
Umsatz
Anzahl Kundenbesuche Anzahl vergebener Kundenincentives (Gratisprodukte)
•
Absatz von Zusatzleistungen
Anteil des über Apotheken erzielten Umsatzes
Vertriebsgesellschaften/Filialen/Verkaufsniederlassungen (Organisationsebene)
Trotz fast identischer Marktanteile bestehen starke Effizienzunterschiede
226 Autoren / AnalyseInputs Fragestellung gegenstand
Outputs
Kernbefunde
Sherman / Gold (1985) Analyse der operativen Effizienz von Banken
•
Lebensversicherungsverkäufe
57% der Filialen sind effizient
• • •
• •
Vergebene Kredite
•
• •
Verkaufte Anleihen
insb. Personal- und Betriebskosten sollten als die direkt kontrollierbaren Faktoren Ansatzpunkte für Verbesserungen sein
Anzahl Kassierer
•
Anzahl Zahlungstransaktionen
•
• •
30% der Filialen sind effizient
Umfang des Schalterpersonals
Verkaufte Schecks, Bonds
•
•
Nachttresoreinzahlungen
Führungsstil des Filialleiters entscheidend für Effizienz
•
•
Kredit- und Hypothekentransaktionen
•
Zahl neuer Konten
Mitarbeiterstruktur wichtig: ineffiziente Filialen setzen nur Vollzeitkräfte ein, effiziente Filialen greifen in Stoßzeiten auf Teilzeitkräfte zurück (höhere Flexibilität)
•
Umsatz
•
Effizienzwerte in VRS-Modell sind deutlich höher, d.h. es existieren bei den meisten Filialen Skalenineffizienzen (suboptimale Größe)
•
Vergleich von Marketingeffizienz und Profitabilität lässt Rückschlüsse auf die Kosteneffizienz der Filialen zu
•
Ableitung realistischer Umsatzziele
14 Bankfilialen
Sherman / 33 BankfiliaLadino (1995) len Steigerung der Profitabilität bei Beibehaltung der Servicequalität
Athanassopoulos / Thanassoulis (1995)
60 Outlets (Pubs) einer Brauerei in England
Vertriebseffizienzanalyse verschiedener Filialen unter Berücksichtigung von Größeneffekten Kamakura/ Lenartowicz/ Ratchford (1996) Effizienzmessung von Filialen unter Berücksichtigung des Einflusses demografischer Kundenspezifika
188 Filialen einer Bank in einem lateinamerikanischen Großstadtraum
• • •
• • • • •
Personalbestand (FTE) Mietkosten Betriebskosten
Größe der Filialleitung Betriebskosten Filialgröße
• •
Pubfläche
•
Anzahl anderer Pubs und Bars im Einzugsbereich (nicht kontrollierbar)
Kontoeröffnungen Verkaufte Reiseschecks
Anzahl von Zahlungstransaktionen
Bierkonsum im Einzugsbereich (nicht kontrollierbar)
•
Geleistete Arbeitsstunden
•
Größe der Servicefläche
•
Volumen der Bareinlagen und anderer Bankeinlagen
•
Transaktionsvolumen
•
Höhe berechneter Gebühren
bei Effizienz aller Filialen besteht Einsparpotenzial von 4,4 Vollzeitstellen, 33.900 $ bei Betriebskosten und 47.600 $ bei Mietkosten
7 Mio. $ Einsparungspotenzial bei Betriebsausgaben
•
Segmentweise Effizienzbewertung für 5 homogene Filial-Cluster in Bezug auf die Eigenschaften des Kundenstamms
•
Die Cluster weisen systematische Performanceunterschiede auf
•
Investierte Zeit zur Bearbeitung von Kundenaufträgen diskriminiert am stärksten zwischen Segmenten und ist entscheidend für relative Effizienz
•
Schätzung von Arbeitselastizitäten der Segmente (d.h. Outputwirkungen bei Veränderung der Arbeitsstunden)
227 Autoren / AnalyseInputs Fragestellung gegenstand
Outputs
Kernbefunde
Athanassopoulos (1998b)
•
•
Basierend auf beobachteten effizienten Input-OutputKombinationen werden Umsatz- und Gewinnziele für neu zu eröffnende Filialen in Abhängigkeit vom vorliegenden Skalenniveau vorgegeben
•
Effizienz des oberen (strategischen) Managements deutlich geringer als lokale Filialeffizienz, da zentrales Management auch Skalenineffizienzen zu verantworten hat
•
Systematische lokale Effizienzunterschiede sind v.a. auf unterschiedliche Breite des Serviceangebots zurückzuführen
Vertriebseffizienzanalyse auf unterschiedlichen Managementebenen, Einfluss der Angebotsbreite auf Effizienz
154 Outlets (Pubs) von 5 großen Brauereien mit verschiedenen Servicemixes (mit oder ohne Speisenangebot)
Donthu/Yoo (1998) Internes EffizienzBenchmarking über 3 Jahre Vergleich von DEA und multipler Regression
24 Filialen einer Restaurantkette
Thomas et al. (1998) Ermittlung von Haupteinflussfaktoren der Filialperformance
520 Einzelhandelsfilialen
• • •
Lokalfläche
• •
Arbeitsstunden
•
Anzahl potenzieller Kunden
•
Regionale Soziodemografika (nicht kontrollierbar)
•
Alkoholkonsum in der Vertriebsregion (nicht kontrollierbar)
•
Durchschnittliches Haushaltseinkommen in der Vertriebsregion (nicht kontrollierbar)
•
Bierabsatz der nächsten Konkurrenten (nicht kontrollierbar)
• •
Restaurantgröße
•
Ausgaben für Promotions
•
Lage des Restaurants
Umsatz
Anzahl Parkplätze Breite des Serviceangebots
technischer Zustand (Reparaturaufwendungen)
Erfahrung des Geschäftsführers
4 Inputgruppen:
•
Arbeit (Arbeitskosten, Anzahl der Mitarbeiter)
•
Erfahrung (Tätigkeitsdauer des Mitarbeiters)
•
Geschäftsprozesse (Operative Kosten, Lagerbestand)
•
Umwelt (Anzahl Einwohner pro Filiale, durchschnittliches Haushaltseinkommen im Vertriebsgebiet, Anzahl Haushalte im Vertriebsgebiet, Nähe zur nächsten Filiale) (nicht kontrollierbar)
• •
Umsatz
•
Kundenzufriedenheit
30% der Filialen arbeiten effizient
•
•
Kundenloyalität
Regressionsanalyse führt zu völlig anderen Rankings als DEA; DEA ist jedoch aufgrund der Berücksichtigung multipler Outputs zu bevorzugen
•
Im Zeitverlauf bleiben nur 2 Filialen konstant effizient, der Rest verschlechtert sich
•
Mit restringierten Inputs und Outputs sind nur 7 der 520 Filialen effizient
•
Hohe Übereinstimmung der DEA-Ergebnisse mit internen Rankings der regionalen Manager
•
Kritische Erfolgsfaktoren liegen in den Inputbereichen Lage und Umgebung des Geschäfts und Personalmanagement
•
Operativer Gewinn pro Filiale
•
Nettoumsatz pro Filiale
228 Autoren / AnalyseInputs Fragestellung gegenstand
Outputs
Kernbefunde
Grewal et al. (1999) Auswirkung regionaler Sortimentsunterschiede auf die Effizienz
• •
•
Verfeinerung der Analyse durch Disaggregation der Produktkategorien und Berücksichtigung regionaler Sortimentsunterschiede führt zu höherer Anzahl effizienter DMUs
•
Effizienzsteigerungen können über Anpassungen des Sortiments erfolgen
Zenios et al. (1999)
Sowlati/Paradi (2004)
59 Vertriebszentren für Kfz-Teile
144 Bankfilialen einer zypriotischen Bank
79 Filialen einer kanadischen Bank
• • •
Operative Kosten der Filiale
Umsatz Absatz
Ladenfläche Lagerbestände
•
Anzahl leitende Angestellte
•
Arbeitsstunden
•
Durch Isolation der Umwelteinflüsse kann die reine operative Effizienz der Filialen bewertet werden
•
Anzahl tariflich Angestellter
• •
Provisionen
• • • •
Filialgröße
• •
Anzahl Kreditanträge
•
•
Umfang Supportpersonal
Abgeschlossene Konsumentenkredite
•
Umfang sonstiges Personal
Verkaufte Kreditbriefe
Unter Vorgabe von Gewichtsrestriktionen (Bandbreiten) auf Basis von Managementeinschätzungen sind nur 10% der Filialen effizient
• •
•
Abgeschlossene Hypotheken
•
•
Abgeschossene Rentensparpläne
Bildung von künstlichen Filialen zur Ableitung von Verbesserungsmöglichkeiten auch für die effizienten Filialen; nun sind nur noch zwei reale Filialen effizient
•
Aufgrund der exogenen Restriktionen und der künstlichen Verschlechterung der Effizienz durch Dummy- Filialen wird Akzeptanz und Verständnis der Ergebnisse in den betroffenen Filialen erschwert
Anzahl Computerterminals (in Stunden)
Anzahl Girokonten Anzahl Sparkonten Anzahl Geschäftskonten
Umfang Verkaufspersonal
Tabelle 25: Empirische DEA-Studien zur Distributionseffizienz
In der Literatur wird gefordert, solche Variablen adäquat zu berücksichtigen, da sonst erhebliche Verzerrungen in der Effizienzbewertung resultieren, die die Validität und Akzeptanz der Ergebnisse mindern. Sie verhindern die Implementierung effektiver Verbesserungsstrategien, da an Parametern angesetzt wird, die nicht die eigentlichen Ursachen der Ineffizienz darstellen.646
646
Vgl. Banker/Morey (1986); Staat (1999).
229 Eine vordringliche Forschungsaufgabe liegt ferner in der Bestimmung der Skalenertragseigenschaften der Frontier-Sales-Responsefunktion. Dies ist bisher erst in zwei Untersuchungen geschehen. Informationen zu Skalenerträgen ermöglichen Erkenntnisse darüber, ob die Einheiten zu klein oder zu groß sind und durch eine Veränderung des Personaleinsatzes Effizienzsteigerungen durch entsprechend überproportionale Outputveränderungen erreichbar wären. In zukünftigen Studien sind verstärkt Modelle mit unterschiedlichen Skalenertragsannahmen zu vergleichen, um technische Ineffizienzen und größenbedingte Ineffizienzen (Skalenineffizienzen) zu separieren und die Verbesserungspotenziale jeweils getrennt abzuschätzen, die aus der Beseitigung der jeweiligen Arten von Ineffizienzen resultieren. Diese Separierung von Skalenineffizienzen und technischen Ineffizienzen verspricht v.a. deshalb einen signifikanten Erkenntnisfortschritt, weil diese von Entscheidungsträgern unterschiedlicher Managementebenen verursacht wurden und folglich zu beeinflussen sind. Demgegenüber macht ein Ausweis der aggregierten Verbesserungspotenziale (die aus der Beseitigung der Gesamtineffizienz folgen) wenig Sinn. Den verschiedenen organisatorischen Einheiten können dann keine individuellen Vorgaben in Bezug darauf zugewiesen werden, für welchen Teil dieser gesamten Einsparpotenziale sie verantwortlich sind. Eine Separierung der Ineffizienzen erleichtert eine verursachungsgerechte Zuordnung von Zuständigkeiten (Accountability) der Managementbereiche. Weiterhin wurde bisher nicht thematisiert, welchen Einfluss die Annahme beliebiger konvexer Kombinierbarkeit der Vergleichseinheiten, die der DEA zu Grunde liegt, auf die Effizienzbewertung und die ausgewiesenen Verbesserungsempfehlungen hat. Hierzu wären sinnvollerweise DEA-Modelle zu ergänzen durch Analysen auf Basis nicht konvexer Technologien, wie sie etwa die FDH ermittelt. Insofern empfiehlt sich gerade im Vertriebsbereich, in dem der Faktor Mensch auf der Inputseite einen wesentlichen Stellenwert besitzt, eine methodenpluralistische Vorgehensweise, um die Realitätsnähe und damit die Akzeptanz von Effizienzbewertungen kritisch zu überprüfen. Ein Vergleich unterschiedlicher Distributionskanäle sowie Zeitreihenanalysen sind aufgrund von Datenbeschränkungen in der im nächtsen Teil vorgestellten Vertriebseffizienzstudie nicht durchführbar. Zur Schließung der übrigen genannten Forschungslücken soll die Vertriebsstudie in Kapitel E-3 jedoch einen Beitrag leisten, um die Eignung der DEA als methodisches Fundament eines Performancesteuerungssystems gerade im Vertrieb zu untermauern. Die Studie ist auf der Gruppenebene angesiedelt und untersucht die Effizienz von Außendienstteams im Pharmamarkt. Durch den Vergleich der Effizienzwerte, die auf Basis unterschiedlicher Skalenertragsannahmen bestimmt werden, soll eine Trennung der Gesamtineffizienzen in technische und größenbedingte Ineffizienzen erfolgen. Während letztere eher strate-
230 gischer Natur sind und somit nur vom übergeordneten, zentralen Vertriebsmanagement beeinflusst werden können, stellen sich erstere als operative Ineffizienzen dar, die vom lokalen Teammanagement zu verantworten und zu beseitigen sind. Gerade im Pharmasektor verursacht die Vertriebsfunktion einen erheblichen Teil der Marketingkosten und stellt somit einen zentralen Erfolgsfaktor dar. Die Kostensenkungs- bzw. Umsatzsteigerungspotenziale, die allein aus der Identifizierung von Effizienzlücken in Relation zu internen Benchmarks resultieren, sind gerade im Pharmasektor, der sich bisher noch durch einen relativ geringen Performance- und Wettbewerbsdruck auszeichnet, als sehr hoch einzuschätzen. Ziel der Untersuchung ist es auch, eine systematische und transparente Auswertung der Ergebnisse zu demonstrieren.
231
E
Empirische Untersuchungen
Die nachfolgenden Studien haben das Ziel, einige der vorgestellten DEA-Modelle praktisch anzuwenden, um die Aussagekraft und die vielfältigen Vorteile einer umfassenden und quantitativ fundierten Effizienzanalyse im Marketing zu verdeutlichen. So kommen in den folgenden drei empirischen Untersuchungen von den theoretisch vorgestellten Verfahren der 2. Generation die DEA-Standardmodelle (CCR und BCC) sowohl mit konstanten als auch variablen Skalenerträgen sowie deren Erweiterung in Form der Supereffizienzanalyse und des Modells mit exogen fixierten Variablen zum Einsatz. Um die Praxisnähe und Anwendbarkeit der Ergebnisse zu gewährleisten, werden in der Vertriebsuntersuchung die DEA-Ergebnisse durch Implikationen der FDH als Vertreter der nicht konvexen Verfahren angereichert.
1.
Studie zur Analyse der nachfragerorientierten Produkteffizienz
1.1.
Untersuchungsgegenstand und Problemstellungen
Ziel der nachfolgenden Untersuchung ist es, die Analyse der relativen Produkteffizienz aus Kundensicht anhand von Daten aus dem Markt für untere MittelklassePKWs zu demonstrieren. Die Analyse schließt 40 Varianten von 17 der in Deutschland meistverkauften Modellreihen ein (diese sind Tabelle 27 unten zu entnehmen). Deren kumulierter Marktanteil beträgt 78,5%.647 Um eine grundsätzliche Vergleichbarkeit zu gewährleisten, werden bzgl. der Motorisierung keine Fahrzeuge mit Diesel- und Hybridantrieb und bzgl. Wagentyp keine Cabrios, Kombilimousinen und Großraumlimousinen (Vans) einbezogen. Daher können 15 Modellreihen nicht berücksichtigt werden, die aber im unteren Mittelklasse-Segment nur einen Anteil von etwa einem Fünftel ausmachen, weshalb die zu Grunde liegende Datenbasis den betrachteten Markt sehr umfassend abbildet. Gerade im Automobilmarkt bietet sich eine nachfragerorientierte Produkteffizienzanalyse auf Basis der DEA an. Dies kann v.a. dadurch begründet werden, dass das methodische Grundprinzip einer Bewertung von Input-Output-Strukturen im Einklang mit dem in der Konsumentenforschung etablierten Merkmalsansatz (characteristics approach) steht. Dieser auf Lancaster zurückgehende Ansatz bildet das Produktwahlverhalten von Konsumenten weit realistischer ab als traditionelle Modelle der mikroökonomischen Nachfragetheorie, in denen nur die für ein bestimmtes Budget optimalen Mengen von eigenschaftslosen Gütern (commodities) bestimmt werden. Der 647
Vgl. Kraftfahrt-Bundesamt (2004), S. 14 f.
232 Merkmalsansatz betrachtet Produkte nicht als wünschenswert um ihrer selbst Willen, sondern als Bündel von intrinsischen und extrinsischen Eigenschaften, die Nutzen für den Konsumenten stiften.648 Unterschiedliche Nachfragereaktionen auf Produktangebote mit denselben Charakteristika können dann dadurch erklärt werden, dass sie diese in unterschiedlichen Proportionen anbieten. Dies dürfte in hohem Maße für Automobile zutreffen, die keinesfalls als commodities zu betrachten sind. Nach dem Ansatz von Lancaster lassen sich Güter anhand ihres Preises sowie ihrer jeweiligen Eigenschaftsausprägungen im Merkmalsraum anordnen, dessen Achsen die Merkmalsdimensionen darstellen.649 Durch eine Verbindung der am weitesten außen liegenden Produkte wird dann eine Effizienzgrenze (consumption possibilities frontier) gebildet. Auf dieser liegen die für ein bestimmtes Ausgabenniveau maximal erreichbaren Kombinationen von Merkmalsausprägungen. Die Vorziehenswürdigkeit eines Produktes für einen nutzenmaximierenden Konsumenten kann folglich daran abgelesen werden, ob es auf dieser Effizienzgrenze liegt oder nicht. Für Anbieter ergeben sich aus der Lage und dem Verlauf dieser Effizienzgrenze wichtige Implikationen für die Modifizierung bestehender und die Einführung neuer Produkte. Wie deutlich wird, ist Qualität in dieser Arbeit als ein mehrdimensionales Konstrukt zu verstehen. Diese Sichtweise reflektiert auch ein modernes, entscheidungstheoretisches Verständnis des Produktwahlprozesses, der sich realistischerweise als Problem der multikriteriellen Entscheidungsfindung (MCDM) auffassen lässt.650 Konsumenten treffen ihre Entscheidung nicht auf Basis einer eindimensionalen Bewertung der Gesamtqualität. Vielmehr wird das Qualitätsurteil in der Regel multiattributiv aus den Bewertungen der zu Grunde liegenden Eigenschaften komponiert. Die DEA stellt nun eine Technik dar, mittels derer es möglich ist, die Effizienzgrenze eines Produktraumes unter Berücksichtigung der hier dargestellten Annahmen zum Konsumentenverhalten zu bestimmen. Die Anwendung der DEA auf Produktwahlprozesse von Konsumenten kann auf zwei Stufen erfolgen. Als Ergebnis des DEA-Grundmodells wird aus der untersuchten Objektmenge das Set von effizienten Angeboten eines Marktes extrahiert. Dieses stellt die Lösung der ersten Stufe des Auswahlproblems eines Konsumenten dar, die darin besteht, die Wahl von Produkten zu verhindern, die unterhalb der Effizienzgrenze liegen und deren Käufe zu Wohlfahrtsverlusten führen.651 Die Effizienzbewertung der Eigenschaftsbündel erfolgt dabei, ohne den Eigenschaften a priori Präferenzgewichte zuweisen zu müssen. Stattdessen wird die betrachtete Produktmenge objektiv aus verschiedenen Blickwinkeln (d.h. unter Anwendung verschiedener Gewichtungsvek648 649 650 651
Vgl. Hjorth-Andersen (1984); Lancaster (1979). Vgl. Lancaster (1979), S. 135 ff. Vgl. Bouyssou (1999); Stewart (1996). Vgl. Deaton/Muellbauer (1999); Rosen (1974).
233 toren für die Parameter) bewertet und für jede Perspektive die jeweils effizienten Produkte bestimmt. Der zentrale Vorteil der DEA im Rahmen der ersten Stufe sei nochmals hervorgehoben: Durch Nutzung der DEA kann das Ausscheiden von Produkten, die nicht das maximal am Markt erhältliche Outputniveau für eine bestimmte Budgethöhe bieten, ohne Kenntnisse von Konsumentenpräferenzen erfolgen. Dies wird erreicht, da von allen denkbaren Gewichtungsmustern ohnehin das bestmögliche zur Produktbeurteilung gewählt wird. Es ist somit keine Nutzenfunktion (d.h. Form von Gewichten) denkbar, die ein ineffizientes Produkt für irgendeinen Konsumenten effizient werden lassen könnte. Würde ein solches Gewichtungsschema existieren, würde das fragliche Produkt unter Zuweisung genau dieser Outputgewichte als effizient klassifiziert werden. Wenn das Ziel in der Maximierung des durch ein Produkt gestifteten Customer Value besteht, sollten nur die effizienten Angebote das relevant set für die Auswahl des endgültigen Produktes darstellen, welche in der zweiten Stufe erfolgt. Da Präferenzen der Nachfrager heterogen sind, werden die von den Nachfragern im Ergebnis der zweiten Stufe ausgewählten effizienten Produkte unterschiedlichen Teilmärkten entstammen. Hier ist es also nicht das Ziel, ein einziges Idelaprodukt festzulegen, stattdessen müssen Gruppen von Produkten identifiziert werden. Aus diesem Grund erscheint es angemessen, nach der Aufteilung des Marktes in effiziente und ineffiziente PKWs eine differenzierte Analyse ausgewählter Produkt-Segmente vorzunehmen. Diese zeichnen sich durch eine homogene Art und Weise der CustomerValue-Stiftung für Kunden, d.h. ähnliche Positionierung im Merkmalsraum, aus. Im folgenden Abschnitt wird ausführlich beleuchtet, inwieweit sich die DEA aufgrund ihrer besonderen methodischen Eigenschaften eignet, eine solche Partitionierung des Gesamtmarktes endogen zu erreichen. Lägen dann genaue Präferenzinformationen vor, könnte für bestimmte Gruppen von Käufern zur Lösung des Problems der zweiten Stufe die Auswahl eines geeigneten Segmentes von Produkten aus der Menge aller effizienten Produkte erfolgen. Da im Rahmen dieser Studie allerdings keine Präferenzdaten vorliegen, kann hier keine konkrete Auswahl des „besten“ Teilmarktes erfolgen. Es können jedoch Aussagen darüber gemacht werden, mit welchem Segment von prospektiven Nachfragern ein durch die DEA extrahierter Teilmarkt am besten zusammenpasst. Für einen bestimmten Kunden sollte nun innerhalb jenes Teilmarktes, der am besten mit dessen Präferenzen (Merkmalsgewichtungen) korrespondiert, das Produkt mit dem höchsten Preis-Leistungs-Verhältnis identifizierbar sein.652 Zur Unterstützung der optimalen Wahlentscheidung innerhalb eines Teilmarktes ist dann ein DEA-Modell zu wählen, welches eine Diskriminierung effizienter Einheiten und so die Identifizierung 652
Vgl. Papagapiou/Mingers/Thanassoulis (1997), S. 15.
234 des best buy innerhalb jedes Teilmarktes erlaubt. Da keine Präferenzinformationen vorliegen, können die Implikationen zur Unterstützung der zweiten Stufe der Wahlentscheidung in der nachfolgenden Untersuchung nur exemplarisch an einem ausgewählten Teilmarkt erfolgen. Eine Effizienzbewertung von Produkten unter Heranziehung kundenrelevanter Inputund Outputmerkmale liefert wichtige Einsichten für die Anbieterseite. So stellt die DEA-Informationen zur Optimierung der Produktpositionierung im Merkmalsraum bereit. Die Ergebnisse zeigen, welche Merkmale eines Produktes in welchem Ausmaß zu modifizieren sind, um am schnellsten und mit geringstem Aufwand eine effiziente Position im Marktraum zu erreichen. Letzterer Aspekt wird durch die teilmarktspezifische Betrachtung gewährleistet, die keine grundlegenden Veränderungen der Marktausrichtung und -bearbeitung anstrebt, sondern als Referenzfunktion nur das Teilstück der Effizienzgrenze vorgibt, welches für den betrachteten Teilmarkt relevant ist. Die Handlungsempfehlungen beziehen sich dann auf die Verbesserung der Angebote mit dem Ziel, innerhalb dieses strategisch vorgegebenen Rahmens einen maximalen relativen Customer Value zu bieten. Für die Konsumentenseite bieten die Resultate eine konkrete Entscheidungshilfe im Produktwahlprozess, die es ermöglicht, die best buys eines bestimmten Teilmarktes zu identifizieren und so die Konsumentenwohlfahrt zu maximieren. Unter Verwendung der in Abschnitt C-1.3 herausgearbeiteten Benchmarkingdimensionen lässt sich die nachfolgende Analyse der relativen Produkteffizienz wie folgt charakterisieren: 1) Vergleichspartner: extern; direkte Konkurrenten im deustchen Markt 2) Vergleichsobjekte: Produkte 3) Vergleichsmaßstab: Output-Input-Relation 4) Vergleichshorizont: 2004 (Marktdaten, Kundeneinschätzungen) 5) Vergleichsziel: Best Practice und Best-Practice-Führer (Supereffizienz)
1.2.
DEA als Instrument zur Marktstrukturierung
Eine präzise Marktstrukturierung ist Voraussetzung für fast alle strategischen und taktischen Marketingentscheidungen. Eine Strukturierung impliziert das Aufdecken der Zusammensetzung von Produkt-Teilmengen; dies wiederum erfordert ein Ziehen von Grenzen zwischen ihnen (Marktabgrenzung).653 Einer Marktabgrenzung liegt die Annahme zu Grunde, dass ein Absatzmarkt keine homogene Menge von Gütern 653
Vgl. Bauer (1989); Bauer/Herrmann (1992), S. 1342.
235 darstellt, sondern vielmehr aus getrennten Produktsegmenten besteht, die sich hinsichtlich der Ausprägungen bestimmter nachfragerrelevanter Produktmerkmale unterscheiden. Die Idee besteht darin, ein vorspezifiziertes Produktset so zu gruppieren, dass Produkte, die hinsichtlich dieser Merkmale ähnlich und daher als enge Substitute zu betrachten sind, einen Teilmarkt bilden.654 Viele Ansätze zur Identifikation von Teilmarktgrenzen, die an den Produktmerkmalen ansetzen, weisen den Nachteil auf, sich entweder auf qualitäts-/nutzenbezogene oder auf preisbezogene Attribute zu fokussieren.655 So wurden in der Literatur Konstrukte wie relative product quality und relative product cost eingeführt, ohne beide Dimensionen in eine übergeordnete Messgröße zu integrieren.656 Als Indikator für die Wertstiftung eines Produktes und folglich für die Güte der Wahlentscheidung (Kaufentscheidungseffizienz) kann jedoch nur das Preis-Qualitäts-Verhältnis oder allgemeiner das Input-Output-Verhältnis eines gewählten Produktes herangezogen werden.657 Daher erscheint gerade die DEA als Ansatz zur Analyse der Produktmarktstruktur viel versprechend. Wie im methodischen Teil bereits ausführlich dargelegt, zeichnet sich die DEA weiterhin durch den Vorteil aus, jedem Produkt den höchstmöglichen Effizienzwert zuzuweisen. Dieses Prinzip bedeutet, dass die minimale Ineffizienz (Entfernung zum Rand) ausgewiesen wird, und stellt sicher, dass die ineffizienten Produkte mit jenen effizienten Einheiten auf dem Rand verglichen werden, die in der Nähe angesiedelt und somit strukturell ähnlich sind. Es lassen sich daher alle Produkte, die anhand derselben effizienten Peers gebenchmarkt werden und daher einen vergleichbaren Eigenschaftsmix anbieten, zusammen mit ihren Peers zu einem Cluster ähnlicher Produkte zusammenfassen, die sich als Teilmarkt interpretieren lassen. Die Identifikation verschiedener Benchmarks gemeinsam mit ähnlichen ineffizienten Produkten im Rahmen der DEA ermöglicht es, endogen „natürliche“ Marktpartitionen aufzudecken. Die Eignung der DEA als Ansatz zur Teilmarktabgrenzung wird an einem grafischen Beispiel demonstriert. Der Einfachheit halber unterstellen wir einen Gesamtmarkt mit neun Produkten (dargestellt durch die schwarzen Punkte), welche durch zwei Output-Dimensionen (z. B. Komfort und Sicherheit) und eine Input-Dimension (z. B. Preis) beschrieben werden. Um die wertmaximalen Eigenschaftsbündel identifizieren zu können, werden die Outputs auf eine Einheit Input (Preis) normiert. Die fiktiven Produkte sind in Abbildung 21 abgebildet.
654 655 656
657
Vgl. Bauer/Herrmann (1992); Day/Shocker/Srivastava (1979). Vgl. Day/Shocker/Srivastava (1979); DeSarbo/Wu (2001); Rao/Sabavala (1981). Vgl. Gatignon/Xuereb (1997); Pelham/Wilson (1996). Gemeint sind hier die Produktkosten für die Nachfrager. Vgl. Bauer/Sauer/Hammerschmidt (2005), S. 2 ff.; Ratchford et al. (1996).
236 Sicherheit / Preis
Teilmarkt 4
Teilmarkt 3 R V Teilmarkt 2
W
Q S U
X
T
P Teilmarkt 1 Y
0
Output 1/ /Preis Komfort Input
Abbildung 21: Identifikation von Teilmärkten mittels DEA
Die Eigenschaftsbündel P, Q und R sind als effizient einzustufen, da sie in der jeweiligen Richtung ihrer Outputkombinationen am weitesten vom Ursprung entfernt liegen und nicht dominiert werden. Sie bilden den effizienten Rand des betrachteten Produktraumes. Effizienz kann auch bei Kombinationen gegeben sein, welche bei keinem der betrachteten normierten Outputs den Maximalwert erreichen (Produkt Q). Dies resultiert aus der flexiblen Gewichtung, die eine stückweise lineare Randfunktion ergibt, wobei jedes Teilstück eine andere Gewichtung der Outputs (d.h. andere Stärken-Schwächen-Profile) reflektiert. Auf diese Weise können Produkte mit ganz unterschiedlichen Konzepten und USPs effizient sein. Die Steigungen der linearen Teilstücke reflektieren alternative Grenzraten der Transformation zwischen den Outputs. Im Beispiel stiften alle drei Produkte P, Q und R einen überlegenen Kundennutzen (Customer Value) durch ganz unterschiedliche Mixes von Outputausprägungen. Diese Produkte bieten jeweils das beste Preis-Leistungs-Verhältnis für entsprechende Präferenzen. Jeder der konvexen Kegel in Abbildung 21 bildet einen Teilmarkt, wobei die Fahrstrahlen aus dem Ursprung, die die effizienten Produktpunkte schneiden (vgl. die gestrichelten Linien), die Grenzen der Teilmärkte darstellen. Die Produkte S, T und U liegen innerhalb desselben durch Q und R begrenzten konvexen Kegels, d.h. sie werden nur in Relation zu Q und R evaluiert.658 Diese Produkte positionieren sich also mit einem ähnlichen Produktkonzept im Merkmalsraum. Da alle Produkte innerhalb eines Kegels ähnliche und damit in gewissen Grenzen austauschbare Bündel von Produktcharakteristika darstellen, dürfte zwischen diesen auch ein intensiverer Wettbewerb herrschen. Diese Argumentation legt es nahe, die Produkte Q bis 658
Vgl. Bauer/Hammerschmidt/Staat (2002).
237 U demselben Teilmarkt zuzuordnen, da der Grad der Substituierbarkeit das in der Literatur etablierte Kriterium zur Abgrenzung von Produktteilmärkten darstellt.659 Offensichtlich lässt sich in diesem stilisierten Beispiel der Gesamtmarkt in vier Teilmärkte partitionieren. Es sei nochmals betont, dass die Homogenität innerhalb eines Teilmarktes nicht im Hinblick auf die absoluten Ausprägungen einzelner Parameter, sondern im Hinblick auf das angebotene Verhältnis der Parameter zueinander definiert wird. Es bilden somit all jene Produkte einen Teilmarkt, deren relative Gewichte ähnlich ausgeprägt sind. So wird z.B. der Wert der Produkte R und W hauptsächlich durch Output 2 (Sicherheit) determiniert, welcher im Verhältnis zu Output 1 (Komfort) in hoher Ausprägung angeboten wird und somit ein hohes Gewicht besitzt. Die Wertstruktur von P ist dem entgegengesetzt. Die vier Teilmärkte in Abbildung 21 zeichnen sich durch vier spezifische Gewichtungsmuster aus. Im Rahmen der folgenden empirischen Anwendung werden die Extraktion solcher Muster und die darauf basierende Teilmarktbestimmung anhand realer Daten demonstriert. Anhand des Effizienzwertes lassen sich innerhalb jedes Teilmarktes dominierende und dominierte Kaufalternativen (best and worst buy) identifizieren. So stiftet das Produkt U im Teilmarkt 3 einen geringeren Wert, da es bei beiden Dimensionen von Kombinationen aus Q und R dominiert wird. Wie aus dem Streckenverhältnis 0U / 0V , welches entsprechend der Grafik etwa 0,6 beträgt - erkennbar ist, bietet U
einen relativen Customer Value von 60%; d.h. für denselben Input (Preis), der auch für V investiert werden muss, bietet U dem Kunden nur 60% von V’s Outputs. Bei Kauf von Produkt Q oder R würde ein Kunde für denselben Preis deutlich mehr Komfort und Sicherheit erhalten als bei Kauf von Produkt U. Um bei unverändertem Output-Mix eine Positionierung im Produktraum zu erreichen, die einen maximalen Customer Value bietet, müsste F die Position von V besetzen und somit seine Outputs bei unverändertem Preis um ca. 66% erhöhen. Aus diesem Grund stellt für Konsumenten, deren Präferenzen durch jene Parametergewichte repräsentiert werden, wie sie für Q, R, S und U von der DEA zugewiesen werden, Produkt U nicht die optimale Wahl dar. Die Konsumenten erhalten einen höheren Produktwert bei Kauf von Q oder R. Die Effizienzwerte der von den Konsumenten gewählten Produkte können damit als Indikator für die „Effizienz“ der Kaufentscheidung herangezogen werden. Dadurch kann die Güte der Kaufentscheidung anhand des Ergebnisses beurteilt werden, welches einen eindeutigeren, objektiveren Maßstab der Rationalität darstellt als die in der verhaltenswissenschaftlichen Literatur oft herangezogene Prozessrationalität.660 Diese setzt vornehmlich an den psychologischen Prozessen der Informationssuche, -aufnahme, -verarbeitung und -speiche659 660
Vgl. Bauer (1989). Vgl. Bauer/Sauer/Hammerschmidt (2005); Sauer (2003), S. 22.
238 rung innerhalb des kognitiven Systems eines Verbrauchers an, die damit viel schwieriger und kaum objektiv zu messen ist.661 Je höher der Effizienzwert eines gekauften Produktes, desto höher ist die Kaufentscheidungseffizienz des Kunden. Alle Konsumenten eines bestimmten Produktbereichs, die die auf dem effizienten Rand liegenden Alternativen ausgewählt haben, erzielen damit eine maximale Kaufentscheidungseffizienz.
1.3.
Auswahl der Outputs und Inputs und Datengrundlage
Automobile sind Produkte mit geringer Kauffrequenz, deren Erwerb ein hohes finanzielles Risiko birgt. Gerade beim Automobilkauf können extensive Kaufentscheidungsprozesse erwartet werden, die sich nicht nur auf die Elaboration peripherer, eher affektiver Produktstimuli beschränken, sondern auch eine umfassende Informationssuche und -verarbeitung beinhalten.662 Die Annahme eines hohen kognitiven Involvements beim PKW-Kauf wird sich zumindest für einen erheblichen Teil der Konsumenten als zutreffend erweisen. Aus diesem Grund sind zum einen technische und preisbezogene Parameter als wichtige Auswahlkriterien heranzuziehen. Dieser Argumentation folgend nutzen die meisten Produkteffizienz-Studien ausschließlich “objektive” technische Outputparameter und modellieren die Inputseite ausschließlich durch den Preis.663 Auf der Outputseite sind aber zusätzlich zu technischen Features auch nicht technische Parameter zu berücksichtigen, um eine umfassende Performancebewertung sicherzustellen. Die Produkteffizienz ausschließlich auf der Basis physikalischtechnischer Merkmale zu modellieren, stünde im Widerspruch zur Realität des Automobilkaufverhaltens, bei dem neben rational-sachlichen Kriterien auch affektive Elemente einen bedeutenden Einfluss ausüben.664 Weiterhin ist, um eine kundenorientierte Erfassung der Produkteffizienz sicherzustellen, darauf zu achten, nicht nur konkrete Leistungseigenschaften, sondern auch erzielte Nutzenwirkungen beim Kunden (wie wahrgenommene Zuverlässigkeit und empfundener Komfort) als Outputs heranzuziehen. Somit werden auch die aus Attributen erwachsenden nutzenstiftenden Effekte einbezogen und eine ausschließlich am Produkt orientierte Merkmalsbetrachtung auf eine am Kunden ausgerichtete Nutzenbetrachtung erweitert. In diesem Zusammenhang ist zu betonen, dass der Wert eines PKW zudem zu einem signifikanten Teil auch aus psycho-sozial-emotionalen (pse-)Attributen, sog. extrinsischen Produkteigenschaften, erwächst. Hierzu gehören zum einen symboli661 662 663
664
Vgl. Sauer (2003), S. 107 ff. Vgl. Papahristodoulou (1997); Sauer (2003), S. 88 ff. Vgl. die Studien von Doyle/Green (1991, 1994); Fernandez-Castro/Smith (2002); Papagapiou/Mingers/ Thanassoulis (1997); Papahristodoulou (1997); Smirlis et al. (2004). Vgl. Bearden/Etzel (1982), S. 185 ff.; Sauer (2003), S. 125 ff.
239 sche Attribute wie Markenimage, die die außengerichtete Selbstdarstellung unterstützen. Automobile sind immer auch Symbole, die genutzt werden, um Wohlstand und Status zu demonstrieren. Zum anderen sind beim Automobilkauf auch innengerichtete, hedonische Attribute relevant, die zur Erfüllung des Strebens nach Genuss und Freude dienen. Die Mehrheit der Konsumenten weist daher ein erhebliches emotionales Involvement in Bezug auf PKWs auf.665 Auch auf der Inputseite sind regelmäßig neben dem Preis noch weitere Inputs für die Kaufentscheidung relevant, wie etwa laufende Kosten. Der vorangegangenen Argumentation folgend, nutzen wir neben den technischen Outputs Motorleistung (jährliche Laufleistung), Wiederverkaufswert und Umweltverträglichkeit weitere Größen. Als wichtige nicht technische und nutzenbezogene Outputdimensionen werden wahrgenommene Zuverlässigkeit, wahrgenommene Sicherheit, empfundener Komfort und Markenimage herangezogen. Komfort umfasst zum einen hedonische Attribute (wie Sonderausstattungen), die emotionale Erlebnisse wie Entspannung und Vergnügen stiften, andererseits auch symbolische Features, die in einem gewissen Maße sozialen Status und Prestige ausdrücken. Markenimage als weiterer nicht funktionaler Output stellt ein entscheidendes Kaufkriterium beim Automobilkauf dar und ist primär als symbolisches Attribut anzusehen, welches dem Selbstdarstellungszweck dient. Das Markenimage wird als Scoringwert (Index) gemessen, der die Bewertungen von 14 Imagefacetten wie Qualitätsimage, Kundenfreundlichkeit, Reputation, Innovationskraft, Design, Sportlichkeit und Exklusivität enthält. Der Preis und die laufenden Kosten (Betriebskosten, Werkstattkosten, Fixkosten für Steuer und Versicherung) abzüglich Abschreibung dienen als Inputs.666
665 666
Vgl. Bearden/Etzel (1982); Sauer (2003), S. 197 f. Datenquellen: Preis, laufende Kosten, Motorleistung, Sicherheit, Umweltverträglichkeit, Komfort: Autotest des ADAC („ADAC Special Auto-Test 2004“). Zuverlässigkeit: ADAC Pannenstatistik 2004; vgl. Brieter (2004); o.V. (2004a). Markenimage: ADAC-AutoMarxX Juni 2004. Wiederverkaufswert: Deutsche Automobil Treuhand (DAT). Der Wiederverkaufswert ist der Restwert nach 4 Jahren, angegeben in % des Kaufpreises. Die Wertverlustangaben werden aus den Gebrauchtwagenpreisnotierungen der DAT abgeleitet. Dabei werden auch zu erwartende Modellwechsel, die sich preismindernd auswirken, einbezogen. Der Basispreis für die Ermittlung des Restwertes wird gebildet aus dem Grundpreis zzgl. einer Pauschale von 1.000 EUR für Zubehör, z.B. ein Schiebedach, Metallic-Lackierung oder auch ein (höherwertiges) Radio - also Extras, welche den Wertverlust abmildern. Diese sind in unserer Tabelle allerdings nicht aufgeführt. Die Zuverlässigkeit wird durch den % Anteil der in einem Zeitraum untersuchten Autos operationalisiert, die keine Panne hatten (Pannenstatistik). Die ADAC Pannenstatistik basiert auf der Analyse von über 500.000 Pannen von PKW-Fahrern in Deutschland im letzten Jahr, die somit den umfangreichsten Fahrzeug-Test in Deutschland darstellt. Die einzelnen Items des Parameters Sicherheit wurden anhand standardisierter Tests (z.B. Bremstest, EuroNCAP-Fußgängertest, EuroNCAP-Front- und Seitencrashtests, Airbags, KindersitzTest) auf einer Schulnotenskala von 1-5 bewertet und dann zu einer Gesamtnote zusammengefasst. Da bei Outputs eine höhere (bessere) Ausprägung auch durch einen höheren Wert angezeigt werden muss (je mehr, desto besser), wurden die Reziprokwerte der Schulnoten verwendet, um eine reversed scale zu erhalten, die sich von 0,2 bis 1 erstreckt. Umweltverträglichkeit ist eine kategoriale Variable, die angibt, ob die Euro4 Abgasnorm (1) oder nur die Euro3 Norm erfüllt ist
240 Mit dieser Auswahl von Inputs und Outputs wird die Kritik an den technisch orientierten Ansätzen aufgegriffen und eine wirklich Customer-Value-bezogene Operationalisierung der Produkteffizienz gewährleistet. Dem liegt die Überzeugung zugrunde, durch die Einbeziehung nicht technischer und nutzenbezogener Outputs das Entscheidungsverhalten der Kunden in umfassender Weise und damit realistischer darzustellen. Die ausgewählten Inputs und Outputs werden von den gängigen Automobilverkaufsstatistiken und Testberichten sowie Konsumentenbefragungen als die kaufentscheidungsrelevanten Kriterien von PKWs der unteren Mittelklasse angesehen.667 Die deskriptiven Statistiken der Input- und Outputdaten finden sich in Tabelle 26. Inputs
Technische Outputs
Nicht technische und nutzenbezogene Outputs
Laufende Kosten
Preis
Wiederverkaufswert
Motorleistung
Umweltverträgl. (kategorial)
Zuverlässigkeit
Sicherheit
Komfort
Markenimage
Min.
2.748
12.400
0,28
15.470
0
0,89
0,28
0,3
3.956
Max.
4.812
24.980
0,56
29.200
1
0,99
0,5
0,5
36.537
Mittelwert
3.286,25
16.550
0,39
20.348
-
0,953
0,4
0,39
12.684,7
Median
3.147
16.125
0,38
20.300
-
0,95
0,41
0,38
9.350
STABW
491,5
2.809,5
0,073
2.688,92
-
0,03
0,04
0,06
9.202,25
Tabelle 26: Deskriptive Statistik der Ausgangsdaten
1.4.
Auswahl einer geeigneten DEA-Spezifikation
In dieser Anwendung kommt zunächst das DEA-Standardmodell mit konstanten Skalenerträgen (CCR-Modell) zum Einsatz, um das Set effizienter Produkte zu bestimmen und eine Partitionierung des Marktes vorzunehmen. Die Vorgabe konstanter Skalenerträge ist zum einen konsistent mit den theoretischen Anforderungen des Merkmalsansatzes als theoretischem Fundament der Untersuchung. Ziel ist es, Eigenschaftsbündel zu suchen, welche den maximalen Output für eine Einheit Input liefern. Zum anderen sind skalenbedingte Effizienzunterschiede durch die Beschränkung auf eine Wagenklasse (untere Mittelklasse) und damit einen relativ schmalen Preiskorridor weitgehend irrelevant. Wir gehen weiter davon aus, dass Konsumenten relativ genaue Vorstellungen darüber besitzen, welchem Wagensegment sie sich aufgrund ihrer Präferenzen zuordnen. Die Alternativenmenge ist dann von vornherein auf die Modelle dieses Teilmarktes beschränkt und es wird jenes Fahrzeug gesucht, welches einen gewünschten Eigenschaftsmix zum geringst möglichen Preis bereit-
667
(0). Auch für den Parameter Komfort, der sich aus verschiedenen Hauptkriterien (z.B. Sitzkomfort, Federung, Klimatisierung) zusammensetzt, wurde eine reversed scale verwendet. Vgl. AC Nielsen (2001); ADAC (1997); Fernandez-Castro/Smith (2002).
241 stellt. Aus diesem Grund wird die Produkteffizienz in Form des Mehr-Inputs gemessen, der für ein ineffizientes Produkt im Vergleich zu einem effizienten (für denselben Output) aufzuwenden ist. Die ausgewiesene Ineffizienz gibt dann genau den Inputanteil an, den Konsumenten bei Wahl eines effizienten Produktes hätten einsparen können. Die Verwendung eines inputorientierten Modells erscheint auch sinnvoll, weil im Rahmen des Produktmarketing die Inputseite, zumindest in Form des Preises, vom Anbieter sofort und direkt variiert werden kann, während eine Verbesserung der Leistungseigenschaften nur mit gewisser Zeitverzögerung erfolgen kann. Ein wesentliches Problem des Standardmodells der DEA besteht darin, dass für jedes identifizierte Segment in der Regel mehrere Produkte als effizient klassifiziert werden, die dann einen einheitlichen Effizienzwert von 100% erhalten. Für die Unterstützung der zweite Stufe des Entscheidungsproblems eines Nachfragers - die Auswahl einer Alternative innerhalb des präferierten Teilmarktes - bietet die Standardformulierung der DEA nur wenig Unterstützung. Es sollte möglich sein, aus der Menge der effizienten Produkte eines Teilmarktes das „effizienteste“ Produkt zu ermitteln. Dies ist unmittelbar einsichtig, da ein Konsument letztlich immer ein komplettes Produkt auswählen muss. Der Kauf eines Automobils stellt eine „diskrete Auswahl“ dar. Der Kauf einer linearen Kombinationen verschiedener effizienter Produkte ist nicht möglich. Für Hersteller erscheint hingegen die Vorgabe von aus mehreren effizienten Fahrzeugen konvex kombinierten virtuellen Referenzfahrzeugen realistischer. Diese können die technischen Produktkonzepte und damit den Merkmalsmix im Rahmen der Produktgestaltung und Produktion verändern. Um Implikationen für die Optimierung der Produktkonzepte durch die Anbieter zu generieren, ist die Standard-DEA gut geeignet. Soll die DEA hingegen auch als MCDM-Tool zur Kaufentscheidungsunterstützung nutzbar sein, impliziert dies die Anforderung, ein komplettes, eindeutiges Ranking aller untersuchten Produkte bereitzustellen. Dies kann nur mittels eines Supereffizienzmodells erreicht werden, welches daher zusätzlich zum CCR-Standardmodell herangezogen wird.668
1.5.
Auswertung der Ergebnisse
1.5.1.
Status quo: Die Customer Values der untersuchten Automobile
Von den 40 analysierten Modellvarianten sind 40% effizient. Sie generieren einen Customer Value, der von keiner anderen Beobachtung dominiert wird. Von den elf untersuchten Modellen haben, bis auf den Hyundai Lantra und den Peugeot 306, deren Varianten zum Teil erheblich hinter ihren Benchmarks zurückliegen, alle Mo-
668
Ein FDH-Modell, welches das Problem der Nicht-Kombinierbarkeit ebenfalls löst, scheidet aus, da hier der Nachteil der fehlenden Differenzierung der effizienten Einheiten bestehen bleibt.
242 delle zumindest eine effiziente Variante in ihrer Produktlinie. Der Corolla erreicht sogar mit allen Varianten eine effiziente Positionierung im Markt und betreibt somit eine erfolgreichere Modellpolitik als andere japanische Marken wie Mazda oder Nissan, die nur mit einer Variante effizient sind. Die Ergebnisse der Effizienzanalyse für alle Varianten sind in Tabelle 27 dargestellt. Rang
PKW-Variante
Supereffizienzwert
CCREffizienzwert
Häufigkeit in Referenzsets
ACE
MaverickIndex
1,2
1
11
0,887
0,127
1
Honda Civic 1.4/66
2
Audi A3/1.6
1,138
1
2
0,849
0,177
3
VW Golf SR3/44
1,134
1
4
0,881
0,136
4
Toyota Corolla 71
1,111
1
12
0,969
0,032
5
Mazda 3/1.4
1,094
1
5
0,892
0,121
6
VW Golf SR3/55
1,09
1
2
0,842
0,188
7
Peugeot 307/55
1,089
1
4
0,856
0,182
8
Ford Focus 1.4
1,068
1
2
0,907
0,102
9
Opel Astra 92
1,067
1
0
0,747
0,339
10
Opel Astra 44
1,045
1
2
0,837
0,195
11
Kia Rio 1.5
1,043
1
0
0,746
0,34
12
Citroen Xsara 1.4
1,036
1
0
0,904
0,106
13
Nissan Almera 1.5/72
1,026
1
2
0,931
0,074
14
Audi A3/2.0
1,016
1
0
0,788
0,269
15
Toyota Corolla 81
1,011
1
3
0,809
0,237
16
Honda Civic 1.3/55
1,011
1
4
0,925
0,081
17
Opel Astra 66
0,993
0,993
0,826
0,203
18
Renault Megane 60
0,985
0,985
0,797
0,236
19
VW Golf SR3/66
0,978
0,978
0,793
0,234
20
Mazda 3/1.6
0,976
0,976
0,849
0,151
21
Hyundai Accent 1.3
0,969
0,969
0,858
0,129
22
Honda Civic 1.7/74
0,955
0,955
0,813
0,175
23
Honda Civic 1.6/81
0,95
0,95
0,8
0,188
24
Renault Megane 72
0,94
0,94
0,764
0,229
25
Mazda 3/1.5
0,939
0,939
0,849
0,106
26
Opel Astra 77
0,933
0,933
0,765
0,22
27
Fiat Stilo 1.8/5
0,931
0,931
0,797
0,168
28
Peugeot 307/65
0,931
0,931
0,763
0,22
29
Alfa Romeo 147/1.6 Eco
0,927
0,927
0,722
0,283
30
VW Golf SR5/55
0,921
0,921
0,792
0,163
243 31
Ford Focus 1.6
0,909
0,909
0,826
0,101
32
Nissan Almera 1.8/85
0,909
0,909
0,830
0,095
33
Hyundai Accent 1.5
0,896
0,896
0,782
0,146
34
Fiat Stilo 1.8/3
0,89
0,89
0,79
0,127
35
Daewoo Nubira 1.6
0,87
0,87
0,689
0,262
36
Honda Civic ES
0,857
0,857
0,716
0,197
37
VW Golf SR3/85
0,828
0,828
0,709
0,167
38
Daewoo Nubira 1.8
0,825
0,825
0,662
0,247
39
Alfa Romeo 147/2.0 Twin
0,791
0,791
0,616
0,284
40
Seat Leon Cupra
0,623
0,623
0,495
0,258
Tabelle 27: Effizienzergebnisse für die untersuchten PKW-Varianten
Eine Anwendung des CCR-Standardmodells resultiert in einer starken Linksschiefe der Verteilung der Effizienzwerte. Dies ergibt sich aus der Problematik, dass das Grundmodell 40% (16/40) der PKW-Varianten mit einem Einheitsscore von 1,0 undifferenziert lässt und als effizient ausweist. Dies ist offensichtlich gerade für die Bewertung der Wettbewerbsposition von Produkten wenig hilfreich, da innerhalb der Gruppe effizienter Produkte keine weitergehende Diskriminierung bzgl. der Wertgenerierung möglich ist. Für einen erheblichen Teil der betrachteten Produkte lassen sich mit der CCR-DEA nur sehr beschränkte Marketingimplikationen für das Management ableiten. Für die Entscheidungsfindung der potenziellen Käufer bieten diese Ergebnisse ebenfalls wenig Unterstützung. Im Gegensatz dazu ermöglicht das Supereffizienzmodell eine differenzierte Beurteilung aller PKWs einschließlich der effizienten Varianten, indem ein komplettes Effizienzranking bestimmbar ist (vgl. dritte Spalte von Tabelle 27). Dieses bietet zusätzliche Informationen über die Eigenschaften und Konzepte der effizienten Automobile. Die Supereffizienz-Resultate zeigen, dass selbst innerhalb der Gruppe der CCReffizienten Varianten erhebliche Unterschiede im Ausmaß der Wertgenerierung für Kunden bestehen. Betrachtet man zunächst den Gesamtmarkt, stiftet der Honda Civic 1.4/66 den maximalen Customer Value und repräsentiert den best buy in der unteren Mittelklasse. Der Supereffizienz-Score von 1,2 impliziert, dass der Honda Civic 1.4/66 selbst bei einer 20%-igen Erhöhung der von den Kunden aufzubringenden Inputs (Preis, laufende Kosten) noch auf dem effizienten Rand verbleiben würde. Die Konsumenten würden somit auch dann noch eine effiziente Kaufentscheidung treffen, d.h. einen maximalen Wert in Relation zu den relevanten Alternativen erhalten. Im Gegensatz dazu weisen Seat Leon, Alfa Romeo 147/2.0 und Daewoo Nubira 1.8
244 das schwächste Preis-Leistungs-Verhältnis auf, sind also für den angebotenen Output überteuert (worst buys). Durch den Kauf der Referenzfahrzeuge des Seat Leon, die sich aus der Analyse durch den Toyota Corolla 81 und den VW Golf SR3/44 ergeben, könnten Konsumenten denselben Output für nur etwa 62% der für den Seat aufzubringenden Inputs erhalten. Konsumenten könnten also ihre Kaufentscheidungseffizienz erheblich verbessern, indem sie den Seat Leon nicht kaufen. Wie Tabelle 27 weiter zeigt, liegen alle Maverick-Werte deutlich unter 1, der höchste Indexwert beträgt 0,34 beim Kia Rio. Dies belegt eine hohe Signifikanz der Effizienzwerte, die auch bei völlig unterschiedlichen Gewichtungsmustern sehr stabil bleiben. Die Maverick-Werte zeigen außerdem, dass die Daten aller DMUs für eine DEA geeignet sind, weshalb kein Anlass besteht, eine DMU als Ausreißer aus der Analyse auszuschließen. Um insbesondere die Stabilität der als effizient eingestuften DMUs zu belegen, werden die Ergebnisse der Sensitivitätsanalyse für diese vollständig dargestellt (vgl. die Tabelle 28). Die interessierenden Kreuzeffizienzen für jede fragliche DMU finden sich jeweils in den Spalten (vertikale Betrachtung). Wie erinnerlich sind die Kreuzeffizienzen einer DMU jene Effizienzwerte, die unter Verwendung der optimalen Gewichte jeder anderen DMU berechnet werden. Für jede PKW-Variante ergeben sich somit neben dem eigenen Effizienzwert 39 Kreuzeffizienzwerte. Damit würde sich unter Einbeziehung aller 40 Varianten eine 40 x 40 Matrix von Kreuzeffizienzen ergeben. Aus Platzgründen beschränken wir uns auf die Darstellung der Kreuzeffizienzen der 16 effizienten Varianten, weshalb Tabelle 28 nur eine 40 x 16 Matrix darstellt. In der Zeile ACE stehen die durchschnittlichen Kreuzeffizienzen (Average Cross Efficiency), die sich aus den einzelnen Kreuzeffizienzen einer DMU, d.h. pro Spalte, ergeben. Diese sollten möglichst nah an den maximalen Effizienzwerten ( θ ) liegen, die in der Zeile darüber angegeben sind und hier alle 100% betragen, da in den Spalten nur effiziente PKWs abgetragen sind. In den übrigen Zeilen finden sich die Werte, die sich ergäben, wenn die Gewichte der in der Zeile jeweils betrachteten DMU auf alle anderen DMUs (d.h. über alle Spalten) angewendet würden (horizontale Betrachtung). Berechnet man aus den beiden Werten entsprechend Formel (20) den durchschnittlichen Maverick-Index der effizienten PKWs, so ergibt sich ein Wert von 0,16, der sehr weit unter dem kritischen Schwellenwert von 1 liegt. Deshalb sind die für die ineffizienten Einheiten vorgegebenen Benchmarks als robust anzusehen und enthalten keine false positives. Die Null-Hypothese, dass ein Benchmark seinen Effizienzwert von 100% nur durch extreme Gewichtungen erhalten hat und unter zusätzlichen Gewichtsrestriktionen erheblich geringere Werte aufweisen würde, kann für jedes Benchmarkprodukt verworfen werden. Mit der Robustheit der Effizienzwerte der
245 Benchmarks ist somit auch die korrekte Effizienzbewertung der übrigen Einheiten sichergestellt.
DMU
3
4
5
10
12
13
19
20
23
25
28
29
34
35
36
37
θ
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
ACE
0,849 0,788 0,904 0,907 0,925 0,887 0,746 0,892 0,931 0,837 0,747 0,846 0,969 0,809 0,881 0,842
1
1,000 0,910 0,936 0,904 0,995 1,000 0,867 0,935 0,983 0,949 0,853 0,951 1,000 1,000 0,992 0,950
2
1,000 0,951 0,931 0,963 0,952 0,880 0,773 0,985 0,937 0,974 0,776 0,944 1,000 1,000 0,963 0,946
3
1,000 0,892 0,884 0,826 0,949 1,000 0,851 0,855 0,943 0,894 0,849 0,886 0,939 0,955 0,969 0,911
4
0,980 1,000 0,830 1,000 0,786 0,572 0,528 0,987 0,761 0,949 0,573 0,863 0,930 0,914 0,896 0,935
5
0,985 0,903 1,000 0,942 0,959 0,925 0,832 0,968 0,983 1,000 0,831 0,941 1,000 0,964 0,978 0,947
6
0,964 0,870 0,960 0,901 0,996 1,000 0,905 0,941 1,000 0,970 0,866 0,966 1,000 1,000 0,992 0,943
7
0,653 0,592 0,827 0,840 0,967 1,000 1,000 0,800 0,960 0,826 0,898 1,000 0,968 0,815 0,966 0,889
8
0,960 0,942 0,924 1,000 0,927 0,814 0,723 1,000 0,912 0,985 0,740 0,946 1,000 0,986 0,946 0,939
9
0,960 0,942 0,924 1,000 0,927 0,814 0,723 1,000 0,912 0,985 0,740 0,946 1,000 0,986 0,946 0,939
10
0,889 0,911 0,888 1,000 0,781 0,568 0,575 0,993 0,788 1,000 0,604 0,895 0,924 0,908 0,881 0,919
11
0,958 0,937 0,936 1,000 0,924 0,812 0,733 1,000 0,916 1,000 0,750 0,953 1,000 0,987 0,956 0,949
12
0,629 0,572 0,912 0,908 1,000 1,000 0,330 0,848 0,999 0,249 0,349 0,290 0,986 0,247 0,292 0,246
13
0,629 0,572 0,912 0,908 1,000 1,000 0,330 0,848 0,999 0,249 0,349 0,290 0,986 0,247 0,292 0,246
14
0,984 0,878 0,948 0,886 1,000 1,000 0,742 0,939 0,987 0,758 0,729 0,760 0,988 0,815 0,799 0,746
15
0,984 0,878 0,948 0,886 1,000 1,000 0,742 0,939 0,987 0,758 0,729 0,760 0,988 0,815 0,799 0,746
16
0,984 0,878 0,948 0,886 1,000 1,000 0,742 0,939 0,987 0,758 0,729 0,760 0,988 0,815 0,799 0,746
17
0,622 0,566 0,932 0,951 0,993 0,873 0,001 0,904 0,976 0,001 0,001 0,001 1,000 0,001 0,001 0,001
18
0,629 0,572 0,912 0,908 1,000 1,000 0,330 0,848 0,999 0,249 0,349 0,290 0,986 0,247 0,292 0,246
19
0,625 0,583 0,904 0,891 0,956 1,000 1,000 0,819 1,000 0,890 0,957 1,000 0,976 0,806 0,951 0,856
20
0,747 0,674 0,880 0,900 0,962 0,760 0,904 1,000 0,935 0,871 0,621 0,994 1,000 0,913 0,880 0,875
21
0,998 0,905 0,977 0,912 0,989 1,000 0,882 0,943 1,000 0,986 0,875 0,955 1,000 1,000 0,997 0,950
22
0,970 0,865 0,930 0,894 0,989 0,905 0,875 1,000 0,968 0,924 0,743 0,952 1,000 1,000 0,936 0,916
23
0,625 0,595 0,944 0,918 0,924 1,000 0,920 0,797 1,000 0,906 1,000 0,952 0,967 0,751 0,943 0,842
24
0,969 0,893 1,000 0,956 0,939 0,851 0,804 1,000 0,962 1,000 0,772 0,940 1,000 0,950 0,956 0,944
25
0,969 0,893 1,000 0,956 0,939 0,851 0,804 1,000 0,962 1,000 0,772 0,940 1,000 0,950 0,956 0,944
26
0,584 0,572 0,907 0,898 0,791 0,783 0,876 0,758 0,893 1,000 0,975 1,000 0,895 0,762 1,000 0,920
27
0,584 0,572 0,907 0,898 0,791 0,783 0,876 0,758 0,893 1,000 0,975 1,000 0,895 0,762 1,000 0,920
28
0,558 0,522 0,801 0,765 0,845 1,000 0,931 0,665 0,901 0,820 1,000 0,897 0,845 0,731 0,896 0,781
29
0,571 0,563 0,888 0,905 0,742 0,634 0,795 0,771 0,833 1,000 0,867 1,000 0,882 0,734 0,989 0,947
30
0,682 0,640 0,923 0,886 0,926 1,000 0,964 0,804 0,983 0,959 1,000 1,000 0,954 0,853 1,000 0,907
31
1,000 0,920 0,936 0,915 0,989 1,000 0,861 0,930 0,982 0,958 0,864 0,948 1,000 1,000 1,000 0,950
32
1,000 0,920 0,936 0,915 0,989 1,000 0,861 0,930 0,982 0,958 0,864 0,948 1,000 1,000 1,000 0,950
33
0,986 0,895 0,970 0,903 0,976 0,989 0,884 0,931 0,990 0,992 0,876 0,958 0,989 1,000 1,000 0,954
34
1,000 0,920 0,936 0,915 0,989 1,000 0,861 0,930 0,982 0,958 0,864 0,948 1,000 1,000 1,000 0,950
35
0,996 0,903 0,978 0,910 0,988 1,000 0,885 0,941 1,000 0,988 0,877 0,957 0,999 1,000 0,999 0,952
36
0,968 0,875 0,748 0,915 0,839 0,670 0,412 0,814 0,769 0,610 0,485 0,664 1,000 0,540 1,000 1,000
37
0,968 0,875 0,748 0,915 0,839 0,670 0,412 0,814 0,769 0,610 0,485 0,664 1,000 0,540 1,000 1,000
38
0,695 0,624 0,707 0,792 0,840 0,747 0,761 0,740 0,778 0,757 0,705 0,941 0,907 0,720 1,000 1,000
39
0,962 0,892 0,905 0,926 0,804 0,584 0,703 1,000 0,818 1,000 0,604 0,926 0,934 0,918 0,958 1,000
40
0,707 0,643 0,690 0,704 0,803 1,000 0,850 0,597 0,821 0,745 0,972 0,813 0,818 0,711 1,000 0,870
Die jeweils fettgedruckten Einträge sind die Effizienzwerte der jeweiligen DMU unter Verwendung ihrer eigenen optimalen Gewichte und sind somit keine Kreuzeffizienzen.
246 Legende: 1
Alfa Romeo 147/1.6 2
Alfa Romeo 147/2.0 3
Audi A3/1.6
4
Audi A3/2.0
5
Citroen Xsara 1.4
6
Daewoo Nubira 1.8 7
Daewoo Nubira 1.6
8
Fiat Stilo 1.8/3
9
Fiat Stilo 1.8/5
10
Ford Focus 1.4
11
Ford Focus 1.6
12
Honda Civic 1.3/55
13
Honda Civic 1.4/66
14
Honda Civic 1.6/81
15
Honda Civic 1.7/74
16
Honda Civic ES
17
Hyundai Accent 1.3 18
Hyundai Accent 1.5
19
Kia Rio 1.5
20
Mazda 3/1.4
21
Mazda 3/1.5
22
Mazda 3/1.6
23
Nissan Almera 1.5/72 24
Nissan Almera 1.8/85 25
Opel Astra 44
26
Opel Astra 66
27
Opel Astra 77
28
Opel Astra 92
29
Peugeot 307/55
30
Peugeot 307/65
31
Renault Megane 60 32
Renault Megane 72 33
Seat Leon Cupra
34
Toyota Corolla 71
35
Toyota Corolla 81
36
VW Golf SR3/44
VW Golf SR3/55
VW Golf SR5/55
39
VW Golf SR3/66
40
VW Golf SR3/85
37
38
Tabelle 28: Kreuzeffizienzen der effizienten PKWs
Wie Tabelle 27 zeigt, korrelieren die Supereffizienzwerte und die Häufigkeiten des Auftretens im Referenzset einer ineffizienten Variante relativ stark. Damit wird deutlich, dass es sich bei den hoch supereffizienten Varianten um die führenden Produkte des Marktes handelt, die entsprechend häufig als Referenzobjekte für die Bewertung der ineffizienten Produkte herangezogen werden. Sie stellen quasi die marktweiten Benchmarks dar. Da, wie oben bereits angesprochen, die betrachteten PKWs ganz unterschiedliche Produktkonzepte verfolgen, die ja gerade entwickelt werden, um Kundensegmente mit korrespondierenden Präferenzen zu bedienen, ist eine aggregierte Betrachtung allein nicht ausreichend. Stattdessen sollen die Ergebnisse für ausgewählte Produktteilmärkte differenziert besprochen werden. Dafür wird im nächsten Abschnitt zunächst kurz dargestellt, welche Informationen zur Strukturierung des betrachteten PKW-Marktes den DEA-Ergebnissen entnommen werden können. Die effizienten Peers stellen Wert-Benchmarks für verschiedene Teilmärkte dar, weil sie ihre Position mit einer spezifischen Struktur der Leistungsparameter erreichen.
1.5.2.
Strukturierung des Mittelklassewagenmarktes auf Basis der DEA-Ergebnisse
Erkenntnisse zur Teilmarktabgrenzung lassen sich aus den Variablen der beiden linearen Programme (10) und (12), die in Abschnitt D-1.3 ausführlich dargestellt wurden, ableiten. Zunächst zeigen die λ aus dem dualen Programm, welche ineffizienten Varianten durch dieselben Efficient Peers gebenchmarkt werden und daher als ähnlich zu betrachten sind. Nach der oben vorgestellten Logik können diese ineffizienten Varianten und die zugehörigen Benchmarks zu einem Teilmarkt zusammengefasst werden.
247 Variante (DMU)
Effizienzwert
Honda Civic 1.3/55
Honda Civic 1.4/66
Honda Civic 1.7/74
0,955
0,73
0,27
Honda Civic 1.6/81
0,95
0,81
0,19
Honda Civic ES
0,857
0,73
0,27
Hyundai Accent 1.5
0,896
0,88
0,12
Mazda 3/1.5
0,939
0,21
0,14
Daewoo Nubira 1.8
0,825
0,17
0,26
Hyundai Accent 1.3
0,968
0,92
0,08
Mazda 3/1.6
0,976
0,45
0,55
Nissan Almera 1.8/85
0,909
0,92
0,08
Ford Focus 1.6
0,909
0,65
0,35
Opel Astra 66
0,993
0,82
0,18
Opel Astra 77
0,933
0,30
0,70
VW Golf SR5/55
0,921
VW Golf SR3/66
0,978
VW Golf SR3/85
0,828
Nissan Almera 1.5/72
Toyota Corolla 71
Mazda 3/1.4
Opel Astra 44
Peugeot 307/55
VW Golf SR3/44
VW Golf SR3/55
Teilmarkt 1 Teilmarkt 2 0,65 0,57
Teilmarkt 3
Teilmarkt 4
Teilmarkt 5
0,7
0,3 1
1
Tabelle 29: Identifikation der Teilmärkte und zugehöriger Benchmarks
In Tabelle 29 sind ausgewählte Teilmärkte dargestellt, die sich aus den Zuordnungen von ineffizienten Produkten in den Zeilen zu den Efficient Peers in den Spalten ergeben. Ein erster Teilmarkt wird durch die Honda-Varianten gebildet. Es ist auffällig, dass die ineffizienten Hondas - anders als z.B. bei Daewoo, Hyundai, Nissan oder Ford - nur auf Peers aus der eigenen Modelllinie referenzieren. Varianten aus fremden Modellreihen werden nicht zur Bewertung herangezogen. Damit hat sich die Honda-Modelllinie Civic ausreichend gegenüber konkurrierenden Modellen abgegrenzt. Der Civic stellt daher einen sog. Self Evaluator dar, d.h. dieser positioniert sich aus wettbewerbsstrategischer Hinsicht als eine Art Nischenmodell, was im Wesentlichen aus seiner herausragenden Motorleistung und einem sportlichen Markenimage resultiert, wodurch eine spezifische Zielgruppe vor allem jungendlicher Fahrer angesprochen wird. Allerdings fällt auf, dass sich die Honda-Varianten selbst sehr ähnlich und somit innerhalb der eigenen Modellreihe nicht ausreichend differenziert sind. Da die Hondas untereinander offenbar in engeren Substitutionsbeziehungen stehen als mit Wettbewerbsmarken, sind hier Kannibalisierungstendenzen zu vermuten. In Teilmarkt 3 lassen sich die Peers Mazda 3/1.4 und Toyota Corolla 71 und die von ihnen dominierten Beobachtungen Hyundai Accent 1.3, Mazda 3/1.6, Nissan Almera 1.8/85 und Ford Focus 1.6 zusammenfassen. Hier werden die ineffizienten Einheiten, mit Ausnahme des Mazda 3/1.6 (der zum Teil durch einen anderen Mazda gebenchmarkt wird), durch Varianten anderer Hersteller dominiert. Interessant ist, dass auch der Ford Focus in dieses sonst nur von japanischen Modellen besetzte Segment fällt, da dessen Merkmalsstruktur hohe Ähnlichkeiten zu den japanischen Mo-
248 dellen aufweist. Aus Sicht des Ford stellen der Hyundai Accent 1.3, Mazda 3/1.6 und der Nissan Almera 1.8/85 die direkten (relevanten) Konkurrenten dar, da sie alle durch dieselben Referenzvarianten bewertet werden. Dies lässt erkennen, dass es u. U. wenig Sinn macht, Teilmärkte nach vordergründigen, etwa länderbezogenen Kriterien, zu bilden (z.B. „Japaner-Segment“), da solche Einteilungen wenig Bezug zu den für die Produktbeurteilung relevanten Parametern haben. Vielmehr zeigt sich, dass möglicherweise andere Teilmarktabgrenzungen entstehen, wenn die Struktur der Werterzeugung für Kunden als Grundlage herangezogen wird. In Tabelle 29 ist eine weitere größere Partition dargestellt (Teilmarkt 2), in dessen Referenzeinheit ebenfalls der Toyota Corolla 71 eingeht.669 Dieser liegt somit in der Schnittmenge mehrerer überlappender Teilmärkte. Die Input-Output-Struktur des Corolla ist mit denen der Varianten dieser Teilmärkte vergleichbar. Gleiches gilt, wie die Tabelle 29 zeigt, auch für den Civic 1.4/66, der ebenfalls Benchmark für zwei Teilmärkte darstellt. Sofern Vergleichbarkeit auch Substituierbarkeit impliziert, sind der Corolla 71 und der Civic 1.4/66 einem wesentlich stärkeren Wettbewerbsdruck ausgesetzt als zum Beispiel der Mazda 3/1.4 oder der Civic 1.3/55, die nur einem Teilmarkt angehören. Zur genaueren Abschätzung des Wettbewerbsdrucks eines effizienten Produktes kann also die Anzahl der Teilmärkte dienen, in deren Referenzeinheiten dieses Produkt eingeht. Die Vermutung eines Wettbewerbsvorteils sollte daher nicht allein aufgrund des „Prädikats der Effizienz“ erfolgen. Sie kann sich als falsch erweisen, wenn dem Konsumenten zu dem effizienten Produkt aufgrund einer Überlappungsposition viele ähnliche Alternativen zur Verfügung stehen. Als vierter Teilmarkt kann eine Gruppe extrahiert werden, die durch die ineffizienten Opel-Varianten gebildet wird, deren Referenzeinheiten als Kombination der effizienten Opel- und Peugeot-Varianten konstruiert werden. Auffällig ist hier wiederum, dass auch für die ineffizienten Opel-Varianten der Peugeot als Referenzfahrzeug dient, wodurch die Implikationen aus Teilmarkt 3 unterstrichen werden. Genau wie die Civics bilden auch die Golf-Varianten einen eigenen Teilmarkt (Teilmarkt 5). Allerdings lassen sich, wie auch für das Civic-Segment, für die GolfVarianten Kannibalisierungen erkennen, da die ineffizienten Golfs gegen Fahrzeuge aus der eigenen Linie gebenchmarkt werden. Zusätzlich zu den bisher betrachteten Teilmärkten lassen sich noch zwei weitere Teilmärkte extrahieren, die hier nicht näher dargestellt werden. Daneben existieren noch vier Nischen in Form der sog. Self Evaluators, die nur durch sich selbst gebenchmarkt werden und nicht in die Referenzeinheit einer anderen Variante eingehen (vgl. alle effizienten Produkte in Tabelle 27 mit einer 0 in der Spalte „Häufigkeit in 669
Der Corolla dominiert zu einem erheblichem Anteil auch noch einen weiteren kleineren Teilmarkt, der in Tabelle 29 nicht mehr dargestellt ist.
249 Referenzsets“). Sie sind somit nicht mit anderen Produkten bzgl. ihres Produktkonzeptes vergleichbar und erreichen als Nischensegmente eine eigenständige, ausreichend differenzierte Positionierung im Merkmalsraum.
1.5.3.
DEA-Befunde und Managementimplikationen für ausgewählte Teilmärkte
1.5.3.1. Teilmarkt 3 Auf Basis der DEA-Ergebnisse lassen sich detaillierte Informationen über die in den extrahierten Segmenten verfolgten Produktstrategien gewinnen. Außerdem geben die Zielwerte (Targets) für die Inputs und Outputs Handlungsempfehlungen zu Produktverbesserungen, die erforderlich sind, um ein effizientes Angebot zu generieren, welches einen maximalen relativen Customer Value stiftet. Die genannten Detailanalysen sollen in diesem Abschnitt anhand des Teilmarktes 3 veranschaulicht werden. Im vorigen Abschnitt wurde bereits gezeigt, dass sich alle ineffizienten Produkte eines Teilmarktes auf dieselben Referenzeinheiten beziehen. Für die ausgewählte Partition 3 sind dies der Mazda 3/1.4 und der Toyota Corolla 71. Für alle ineffizienten Varianten dieses Teilmarktes werden die virtuellen Referenz-PKW anteilig aus dem Mazda 3/1.4 und dem Corolla 71 linear kombiniert. Aufgrund der Dualität der beiden linearen Programme der DEA (vgl. Abschnitt D-1.2) impliziert eine Ähnlichkeit bzgl. der Referenzeinheiten auch eine Ähnlichkeit der Input-/Outputgewichtungen, die der Lösung des primalen Programms entnommen werden können. Alle Produkte eines Teilmarktes weisen daher auch ähnliche Gewichtungsmuster auf, wie Tabelle 30 erkennen lässt. Alle PKWs erhalten ähnlich hohe Gewichte bei denselben Parametern, da sie ähnliche Ausprägungsniveaus der Input- und Output-Parameter bieten. Die produktspezifischen Gewichte weisen auf jene Parameter hin, bei denen ein Produkt eine starke Performance im Vergleich zu den Produkten anderer Teilmärkte aufweist und die den höchsten Beitrag zur Produkteffizienz leisten. Verschiedene Teilmärkte sind somit durch die Verwendung jeweils spezifischer Hebel zur Kundenwertgenerierung charakterisiert, die letztlich bestimmte Produktstrategien repräsentieren. Die Gewichte geben folglich Auskunft über die produktspezifischen Stärken, die entsprechend kommunikativ (etwa in der Werbung) herausgehoben werden könnten. Wie Tabelle 30 zeigt, zeichnen sich die Produkte des Teilmarktes 3 dadurch aus, in Relation zu den anderen untersuchten Varianten einen Customer Value überwiegend durch Anbieten hoher Zuverlässigkeit, Motorleistung und Umweltverträglichkeit verbunden mit geringen vom Kunden zu erbringenden Investitionen (v.a. geringe laufende Kosten, zum Teil auch günstiger Preis) zu stiften. Diese Parameter erhalten als Stärken somit fast ausschließlich hohe Gewichte, während den übrigen Parametern geringe bzw. Null-Gewichte zugewiesen werden.
250 Variante
Supereffizienzwert
Laufende Kosten
Preis
Wiederverkaufswert
Zuverlässigkeit
Motorleistung
Umweltverträglichkeit
Komfort
Sicherheit
Markenimage
Ford Focus 1.6
0,909
0,94
0,06
0
0
0,38
0
0,06
0,56
0
Hyundai Accent 1.3
0,967
0
1
0
0
0
1
0
0
0
Mazda 3/1.4
1,094
1
0
0
0,4
0,1
0,5
0
0
0
Mazda 3/1.6
0,976
1
0
0
0,2
0,5
0,3
0
0
0
Nissan Almera 1.8/85
0,909
1
0
0
0,12
0,45
0,05
0,3
0
0
Toyota Corolla 71
1,111
0,94
0,06
0
0
0,75
0,25
0
0
0
0,45
1,08
19190
1,07
0,42
0,45
12410,83
0,42
0,99
18650
1
0,38
0,41
12442
Gewichte
Targets für ineffiziente Varianten Ford Focus 1.6 Hyundai Accent 1.3
2951,99 15423,65 2766
13550
Mazda 3/1.4
2625,38 14337,92
0,4
0,99
16910
1
0,37
0,4
10364,4
Nissan Almera 1.8
2749,87 13670,94
0,42
0,99
18430
1
0,38
0,41
12136,77
Slacks der ineffizienten Varianten Ford Focus 1.6
0
0
0,09
0,16
0
0,07
0
0
247,8
56,35
0
0,1
0,02
240
0
0,08
0,04
8215
Mazda 3/1.4
0
1859,55
0,09
0
0
0
0
0
1719,4
Nissan Almera 1.8
0
823,6
0,09
0
0
0
0
0,03
6034,7
Hyundai Accent 1.3
Tabelle 30: Detailergebnisse für Teilmarkt 3
So zeigen die geringen Gewichte, dass die Schaffung einer imagestarken Marke und eines hohen Wiederverkaufswertes ganz klar nicht den Fokus der hier betrachteten PKW-Konzepte bilden. Gerade diese Positionierung wird vom Golf-Segment (Segment 5) verfolgt, dessen USPs insbesondere die „marktführenden“ Ausprägungen bei den Attributen Wiederverkaufswert und Markenimage sind. Diese müssen jedoch mit einem deutlich höheren Preis erkauft werden. Dieses Segment soll hier nicht näher dargestellt werden, da sich die Implikationen analog ergeben. Die durch die Gewichtungsmuster identifizierten Stärken und Schwächen von Teilmarkt 3 stimmen stark mit Testberichten und Marktanalysen überein, die den hier betrachten PKW-Varianten typischerweise eine geringe Pannenanfälligkeit und weit überdurchschnittliche Motorlebensdauer bescheinigen (so finden sich die Varianten
251 in Pannenstatistiken regelmäßig auf den besten Plätzen). Auch die hohe Gewichtung der laufenden Kosten erscheint intuitiv plausibel, da sich diese Varianten durch günstigen Verbrauch und geringe Diebstahlhäufigkeit (mit der Folge geringerer Versicherungskosten) auszeichnen. Der betrachtete Teilmarkt korrespondiert daher am stärksten mit jenen Nachfragern, für die v.a. Zuverlässigkeit, Motorleistung und Umweltverträglichkeit sowie laufende Kosten die kaufentscheidenden Kriterien darstellen. Es wird dadurch erkennbar, welche Kundensegmente durch welchen Teilmarkt am besten bedient werden (könnten). Aus einer Inside-Out-Betrachtung sollte sich jeder Teilmarkt an jenen potenziellen Konsumenten ausrichten, deren Präferenzstruktur (ausgedrückt durch deren Nutzenfunktion) am besten mit dem Gewichtungsprofil der Inputs und Outputs übereinstimmt.670 Insofern bietet die DEA hilfreiche Implikationen für eine optimale Zielgruppenauswahl, die sich trotz aller Forderungen nach Marktorientierung zuallererst nach den vorhandenen Kompetenzen des Unternehmens richten sollte. Die Forderung, die Marktsegmente auszuwählen, die mit den bestehenden Stärken und Schwächen am erfolgreichsten bearbeitet werden können, ist eine zentrale Erkenntnis der neueren Managementforschung. Aus Sicht der Konsumenten stellt die Anwendung einer DEA sicher, dass keine suboptimalen Leistungen ausgewählt werden. Für eine möglicherweise nachfolgende Produktanalyse aus Sicht der individuellen Präferenzen einzelner Nutzer fänden dann nur effiziente Einheiten Berücksichtigung. Wenn die Präferenzen der Nachfrager nicht bekannt sind bzw. nur unter prohibitiv hohem Aufwand ermittelbar wären, wird durch die endogene Gewichtung der Parameter sichergestellt, dass keine durch die DEA als ineffizient klassifizierten Produkte aus Sicht irgendeines Nachfragers die erste Wahl darstellen könnten. Dies wird erreicht, weil kein Vektor von Gewichten existiert, der ein ineffizientes Produkt effizient werden ließe. Die DEA ist daher eine Methode, die durch die nicht parametrische Vorgehensweise explizit keine Präferenzinformationen zur Produktbewertung benötigt. Vielmehr wird durch die iterative 670
Vgl. Halme et al. (1999); Khouja (1995). Es könnte Gegenstand weiterführender Studien sein, im Anschluss an eine DEA Nachfrager anhand ihrer Präferenzstrukturen zu segmentieren und dann für jedes Produkt zu untersuchen, für welches Segment ein hoher Fit zwischen den Nutzengewichtungen durch die Nachfrager und dem Leistungsprofil der Produkte besteht. Die Kaufentscheidungseffizienz der entsprechenden „Fit-Kunden“ könnte dann daran gemessen werden, ob sie tatsächlich die effizienten Produkte des für sie relevanten Teilmarktes wählen und somit ihren Customer Value maximieren. Darüber hinaus könnte dann untersucht werden, ob zwischen der Kaufentscheidungseffizienz, operationalisiert durch den Effizienzwert der gekauften Produkte, und der Konsumentenexpertise (Consumer Sophistication) ein Zusammenhang besteht. In der Literatur zur Konsumentenexpertise und Consumer Sophistication wird dieser Zusammenhang häufig behauptet bzw. als gültig unterstellt. Bauer/Sauer/Hammerschmidt (2005) legen die nach Wissen des Autors erste Untersuchung vor, die diese Hypothese empirisch überprüft. Am Beispiel des Digitalkameramarktes zeigte sich, dass ein erheblicher Teil der befragten Käufer tatsächlich die effizienten Kameramodelle ausgewählt haben. Des Weiteren ergab sich ein hochsignifikanter positiver Zusammenhang (r=0,48) zwischen dem Effizienzwert des gewählten Produktes und dem Grad der Consumer Sophistication. Dieser Befund liefert erste Hinweise für die Bestätigung der Vermutung, dass Konsum-Experten auch rationaler handeln, nicht nur im Sinne einer Prozessrationalität, sondern auch einer Ergebnisrationalität; vgl. Bauer/Sauer/Hammerschmidt (2005), S. 4.
252 Vorgehensweise im Rahmen eines linearen Programmierungsmodells jede denkbare Kombination von Merkmalsgewichtungen (Präferenzen/Nutzenfunktionen) bei der Effizienzwertermittlung durchgespielt. Obwohl zwar alle Produkte des Teilmarktes 3 prinzipiell eine ähnliche Produktstrategie verfolgen, sind der Mazda und der Corolla hierbei erfolgreicher als die übrigen Varianten des Teilmarktes. Sie bieten beide ein Output-Input-Verhältnis, welches von keinem der anderen Produkte dominiert wird, und positionieren sich als die Benchmarks des Teilmarktes. Demgegenüber zeigt der Effizienzwert des Almera 1.8/85 (0,909), dass nur 90,9% der vom Kunden verlangten Inputs durch den angebotenen Output (der ja eine gewichtete Aggregation der Ausprägungen der einzelnen Outputparameter darstellt) gerechtfertigt wird, wobei die Parameter dabei schon so vorteilhaft wie möglich gewichtet wurden. Jede andere Gewichtung hätte ein noch schlechteres Preis-Leistungs-Verhältnis ergeben. Die beiden Benchmark-Fahrzeuge des Almera liefern den spezifischen Mix von Produktmerkmalen erheblich günstiger. Sie formieren das virtuelle Referenzfahrzeug für den Almera als Linearkombination mit λMazda 3/1.4 = 0,08 und λToyota Corolla 71 = 0,92 , wie Tabelle 29 zeigt. Um einen maximalen Customer Value zu erzeugen, sollte der Almera folglich eine Output-Input-Struktur anbieten, die einer entsprechend gewichteten Mischung aus Mazda 3/1.4 und Corolla 71 entspricht. Der Effizienzwert von 0,909 ließe zunächst die Schlussfolgerung zu, dass der Almera den gleichen Customer Value wie der Referenz-PKW bieten könnte, wenn die laufenden Kosten und der Preis bei Beibehaltung des aktuellen Leistungsniveaus um 9,1% (1 – 0,909) gesenkt würden. Dies wäre so jedoch nur richtig, wenn keine Slacks vorlägen. Wie Tabelle 30 zeigt, liegen jedoch zum Teil Slacks vor, die bei der Modifikation der Parameter zusätzlich zu berücksichtigen sind. So müsste nach der Senkung des Preises um den proportionalen Faktor 9,1% dieser noch weiter um 823,60 Euro (Slack für Preis) reduziert werden. Es ist offenkundig, dass die Slack-Attribute die wesentlichen Schwächen eines Produktkonzeptes darstellen und folglich mit geringen Gewichten im oberen Teil der Tabelle korrespondieren. Die endgültigen Target-Werte, die erreicht werden müssen, um einen effizienten PKW zu kreieren, sind auch in Tabelle 30 angegeben. Die Targets für jeden Parameter ergeben sich als mit den λ -Werten aus Tabelle 29 gewichtete Summen der Input- und Output-Ausprägungen der effizienten Peers im Referenzset. Die Implikationen der Teilmarktresultate fallen für die beiden Marktseiten unterschiedlich aus. So sollte etwa Nissan, um sich bestmöglich zu positionieren und eine neue Position im Marktraum zu besetzen, versuchen, langfristig ein Cross-overFahrzeug zu konzipieren, welches räumlich gesehen zwischen dem Mazda 3/1.4 und dem Corolla 71 angesiedelt ist und eine Mischung dieser beiden Varianten darstellt.
253 Tatsächlich erscheint die praktische Relevanz dieser Implikationen gegeben, da Cross-over-Konzepte im Zeitalter von CAD/CAM-Technologien in der Automobilindustrie zunehmende Verbreitung erfahren, wie die zahlreichen Modellschöpfungen (SUVs, MPVs, Off-Roader etc.) zeigen. "Go anywhere, do anything" lautet verstärkt das Motto in der Automobilindustrie.671 Offenbar bietet die DEA durchaus auch strategisch relevante Einsichten, die evtl. Anregungen für ganz neue Richtungen der Produktentwicklung bieten. Die zunehmende technische Realisierbarkeit von Produkt-Kreuzungen lässt die Annahme der linearen (konvexen) Kombinierbarkeit von Analyseobjekten realistischer werden. Die DEA könnte sich so vielleicht sogar als eine innovative Technik der Ideenfindung im Gestaltungsprozess neuer Automobilkonzepte erweisen, denn Cross-over bezeichnet weniger eine eigene Stilrichtung als vielmehr eine Kreativitätstechnik. Während für die Hersteller die Empfehlung auszusprechen ist, Entscheidungen und Aktionen im Rahmen des Produktmanagements am jeweiligen virtuellen Referenzfahrzeug auszurichten, ist diese für den Nachfrager nur eingeschränkt sinnvoll. Nachfrager können im Rahmen des Kaufaktes nicht einfach zwei Varianten konvex kombinieren. Aus Kundensicht gilt daher die Implikation, aus der Gruppe der effizienten Produkte jenes mit dem höchsten Supereffizienzwert als Zielprodukt auszuwählen bzw. als Referenzmaßstab im Kaufentscheidungsprozess heranzuziehen. Für die Kunden der oben betrachteten Marktpartition sollte daher der Corolla 71 die erste Wahl darstellen, da dieser mit 1,11 einen höheren Supereffizienzwert aufweist als der Mazda 3/1.4 (1,09). Der Supereffizienzwert sagt aus, dass der Corolla 71 auch bei signifikanten Preiserhöhungen, nämlich um bis zu 11%, den höchsten relativen Output bietet und der beste Kauf bleibt. Solange also keine massiven Veränderungen hinsichtlich Preis und Leistungsattributen durch den Anbieter vorgenommen werden, ist der Corolla aus Sicht der Nachfrager stets zu bevorzugen, wenn das Ziel in einer Maximierung der Kaufentscheidungseffizienz besteht.
1.5.3.2. Self Evaluators Tabelle 31 mit den Gewichten der Self Evaluators zeigt, dass diese jeweils andere Parameter fokussieren und sich mit eigenständigen Produktkonzepten im Markt für Mittelklassewagen positionieren. Sie bieten bei sehr wenigen Features eine überlegene Performance (belegt durch die Tatsche, dass überwiegend nur ein Merkmal ein sehr hohes Gewicht erhält) und schneiden bzgl. der übrigen Parameter eher schwach ab. Im Gegensatz dazu bieten die Mitglieder des oben betrachteten Teil671
„Man glaubt sich am Set einer Science-Fiction- oder Fantasy-Film-Produktion. Die Mobilmutanten sind unter uns. Sie sind Ergebnisse von Züchtungen, Kreuzungen, Experimenten." Knewitz (2001), S. 32.
254 marktes 3 einen deutlich ausgewogeneren Output-Mix. Sie konkurrieren in mehreren Features mit anderen PKWs und lassen sich daher eher als All-round-Autos bezeichnen, wie die von Null verschiedenen Gewichte in Tabelle 31 zeigen. Motorleistung
Laufende Kosten
Preis
Wiederverkaufswert
Zuverlässigkeit
Audi A3 Ambition
1
0
0
0
Citroen Xsara Exclusive
1
0
0
0
0,64
Kia Rio 1.5
0
1
0,62
0,38
Opel Astra 92
0
1
0
0,74
Varianten
0
Umweltverträglichkeit
Sicherheit
0
0,87
0
Komfort
Markenimage
0,13
0
0,36
0
0
0,26
0
Tabelle 31: Input- und Output-Gewichte für Self Evaluators
Die Spezialisierungsstrategie der Self Evaluators liefert die Begründung dafür, warum diese nicht in die Referenztechnologie anderer Einheiten eingehen und somit einen eigenen Teilmarkt in Form einer Nische bilden. So erreicht der Citroen Xsara eine hohe Performance auf der Outputseite ausschließlich durch Anbieten eines hohen Komforts (Gewicht von 0,36) und überlegener Motorleistung (0,64). Dafür ist dieses Modell vergleichsweise günstig zu haben. Es ist somit klar, dass der Citroen Xsara v.a. solche Konsumenten anspricht, die Komfort und Motorleistung höher bewerten als andere Features. Die hier extrahierten Self Evaluators werden auch von Marktstudien und Autotests oft als Nischenmodelle charakterisiert.672
1.5.3.3. Beurteilung der Wettbewerbsstruktur auf Basis der DEA-Ergebnisse Anhand des Bildes, welches die DEA-Ergebnisse vom Markt für Untere-MittelklassePKWs zeichnen, lassen sich klare wettbewerbsstrategische Ausrichtungen der betrachteten Modelle empirisch untermauern. So versuchen Modelle wie der Toyota Corolla offensichtlich, möglichst viele Teilmärkte mit Varianten zu besetzen. Diese Strategie einer breiten Marktabdeckung („Schrotflintenkonzept“) steht im Gegensatz zu der des Citroen Xsara oder Kia Rio, die sich im Rahmen einer selektiven Marktbearbeitung auf einen Teilmarkt fokussieren („Scharfschützenkonzept“). Während letztere Modelle als erfolgreich differenzierte Modelle betrachtet werden können, ist der Corolla ein durchschnittliches Allzweck-Auto, das insgesamt mit über einem Drittel des hier betrachteten PKW-Marktes konkurriert. Dessen Varianten sind offenbar in der Mitte des Marktraumes positioniert, der hart umkämpft und von zahlreichen Varianten besetzt ist. 672
Vgl. AC Nielsen (2001); ADAC (1997). Dies kann als Indikator für die face validity des hier entwickelten Ansatzes zur Marktstrukturierung angesehen werden.
255 Wie anhand der Ergebnisse deutlich wird, bietet eine DEA-basierte Produktmarktanalyse die Möglichkeit, effiziente Nischenprodukte von effizienten All-roundProdukten zu unterscheiden. Eine DEA kann ganz unterschiedliche strategische Ausrichtungen gleichzeitig und gleichberechtigt berücksichtigen: Unternehmen, die eine Nischenstrategie mit ihren Produkten verfolgen, können ebenso analysiert und als effizient ausgewiesen werden wie Unternehmen, die eine Massenmarktstrategie verfolgen und daher auf breiter Basis gute Produkteigenschaften bieten. Für alle Strategien ermöglicht die DEA die Ermittlung von Effizienzwerten, Referenzpunkten, Stärken und Schwächen. Die von einem Unternehmen verfolgte Produktstrategie hat folglich keinen Einfluss auf die Effizienzbeurteilung. Im Gegenteil, die DEA ermöglicht es, die einem Produkt zu Grunde liegende Strategie zu bestimmen und durch den Vergleich mit konzeptionell ähnlichen, aber erfolgreicheren Produkten Defizite bei der Strategieumsetzung aufzudecken.
1.5.4.
Bestimmung effizienter Preise auf Basis der DEA-Ergebnisse
Bei der Diskussion der Forschungslücken zur Preiseffizienz wurde bereits auf die Notwendigkeit der Integration von Produkt- und Preiseffizienzanalyse im Rahmen der DEA hingewiesen, zu der sich in der bisherigen Literatur wenige Arbeiten finden.673 Diese Verknüpfung wird durch die hedonische Preistheorie offensichtlich. Ziel ist es, den Gesamtpreis eines Produktes in Teilpreise für die einzelnen Leistungseigenschaften zu dekomponieren, um den Wertbeitrag der Attribute in Geldeinheiten ausdrücken zu können. Der hedonische Preis (Schattenpreis, impliziter Marktpreis) eines Qualitätsattributes gibt dann an, welcher Teil des Produktpreises durch die Ausprägung dieses Attributes gerechtfertigt wird. Folglich geben diese Preisbeiträge Hinweise für eine der Preisbedeutung entsprechenden Allokation der Qualitätskosten. Unter bestimmten Bedingungen lassen sich die Outputgewichte, die aus dem primalen Programm resultieren, als hedonische Preise interpretieren.674 Dies soll im folgenden Abschnitt kuz erläutert werden. Um den Preis in seine attributspezifischen Bestandteile zu zerlegen, dürfen erstens in der DEA die Outputmerkmale nur noch zum Preis in Beziehung gesetzt werden. Nur in diesem Fall können die Gewichte als die Preise für die jeweiligen Outputs interpretiert werden.675 Aus diesem Grund wird zur Ermittlung der hedonischen Preise ein DEA-Modell mit singulärem Input (Preis) berechnet, so dass die laufenden Kosten aus der Analyse ausgeschlossen werden. Auf die Möglichkeit, die laufenden Kos673
674 675
Lediglich Fernandez-Castro/Smith (2002) und Kamakura/Ratchford/Agrawal (1988) gehen am Rande auf die Möglichkeit ein, die DEA zur hedonischen Preisbildung einzusetzen, nehmen aber keine entsprechenden Auswertungen der Daten vor. Vgl. Dyson/Thanassoulis (1988), S. 565 ff. Vgl. Dyson/Thanassoulis (1988), S. 565.; Fernandez-Castro/Smith (2002), S. 86.
256 ten implizit auch als Preis zu interpertieren und dem Kaufpreis aufzuschlagen, soll hier aus Vereinfachungsgründen verzichtet werden. Zweitens ist zu beachten, dass bei Zulassung vollständiger Gewichtsflexibilität bei bestimmten Outputs NullGewichte resultieren können. Solche Null-Gewichte deuten dann natürlich nicht darauf hin, dass die entsprechenden Outputs überhaupt keinen Beitrag zur Erzielung des Marktpreises leisten und somit kostenfrei bereitgestellt werden müssten. Gewichte von Null weisen lediglich auf jene Leistungseigenschaften hin, bei denen keine komparativen Qualitätsvorteile gegenüber den alternativen Angeboten bestehen. Bei diesen Merkmalen sollte sich das Qualitätsmanagement darauf beschränken, eine am Markt durchschnittlich erwartete „Standardleistung“ bereitzustellen und die Budgetanteile entsprechend zu begrenzen. Sollen für alle Outputs monetär interpretierbare Lösungen ermittelt werden, sind für die Gewichte untere Schranken festzulegen, die etwa durch die zur Produktion einer Standardqualität notwendigen anteiligen Kosten definiert sein könnten. Sind, wie im Falle dieser Studie, keine Informationen über die kostenmäßige Bedeutung der einzelnen Charakteristika vorhanden, wäre eine Beschränkung der Gewichte rein willkürlich und ist dann zu unterlassen.676 Insbesondere sind andere in der Literatur üblicherweise genannte Methoden zur Definition unterer Gewichtsschranken (Verwendung des Mittelwerts der Gewichte etc.) nicht sinnvoll, da etwa der Mittelwert eines Gewichts nicht mit dem mittleren Preisbeitrag bzw. Kostenanteil des Outputs identisch sein wird. Bei Anwendung eines unrestringierten DEA-Modells, wie in unserem Fall, sind die Gewichte vorsichtig zu interpretieren. Sie dürfen dann nicht strikt als die maximalen Kostenanteile eines Merkmals interpretiert werden, sondern sind als grobe Näherungswerte zu betrachten, die v.a. eine Fokussierung der Qualitätsmaßnahmen auf die wichtigen Performancedimensionen unterstützen sollen.677 Insofern ist auch für Eigenschaften mit Gewichten von Null ein gewisser Anteil des Budgets einzuplanen, um eine Mindestqualität bei diesen Eigenschaften sicherzustellen. Dies gilt, obwohl der hedonische Preis dieser Merkmale als Null bzw. sehr gering einzuschätzen ist, d.h. kein Nachfrager das entsprechende Fahrzeug nur aufgrund dieser Merkmale kaufen wird. In der Tabelle 32 sind für ausgewählte Fahrzeugmodelle dieser Untersuchung die effizienten Preise dargestellt. Die Tabelle zeigt außerdem, welche Preissenkungen die ineffizienten PKW vornehmen müssten, um mit den aktuell gegebenen Leistungsdaten auf den effizienten Rand zu gelangen. Auf diese Weise kann mittels DEA der in Bezug auf die gelieferten Leistungseigenschaften optimale Preis bestimmt werden. Weiterhin sind die Gewichte der Leistungsmerkmale angegeben, die Hinweise darauf geben, wie stark diese Merkmale zur „Durchsetzung“ des Verkaufsprei-
676 677
Vgl. Fernandez-Castro/Smith (2002), S. 88. Vgl. Dyson/Thanassoulis (1988), S. 563 ff.; Fernandez-Castro/Smith (2002), S. 87.
257 ses beitragen bzw. welchen Teil des Kaufpreises diese rechtfertigen. Die Gewichte sind daher für die Priorisierung von Entscheidungen im Rahmen der Produktgestaltung nutzbar. Die Verteilung der Qualitäts- bzw. Produktionskosten (bzw. der zugehörigen Budgets) auf die Merkmale sollte, unter Berücksichtigung der oben genannten Einschränkungen, deren Wertbeiträge zumindest in gewissem Maße widerspiegeln. Dies ist die Voraussetzung für eine profitable Produktgestaltung. Damit helfen die Ergebnisse auch, die Wirtschaftlichkeit von Qualitätsmaßnahmen einzuschätzen und zu steuern, indem sie angeben, wie hoch die stückbezogenen Qualitätskosten jedes Outputmerkmals maximal ausfallen dürfen.678 Mittels DEA lassen sich jene Leistungseigenschaften identifizieren, für die Investitionen in Qualitätsverbesserungen wirtschaftlich sinnvoll erscheinen, da diese auch zu entsprechenden Nachfragewirkungen und folglich Preiserhöhungsspielräumen führen dürften. Dies sind jene, für die in Tabelle 32 die höchsten Gewichte ausgewiesen werden. Der effiziente Preis gibt genau den Teil des aktuellen Preises an, der durch die Outputs insgesamt gerechtfertigt ist. Dieser Teil des Preises wird durch den Effizienzwert ausgedrückt und beträgt beim Mazda z.B. 85,4%. Wird der aktuelle Preis von 16.489 mit dem Faktor 0,854 multipliziert, ergibt sich der effiziente Preis des Eigenschaftsbündels (14.082 Euro).679 Die Differenz zwischen aktuellem und effizientem Preis gibt damit das Ausmaß der Überpreisung an, das beim Mazda bei ca. 2.400 Euro liegt. Variante
Aktueller Preis
Effizienzwert
EffizienNotw. ter PreisreKaufduzierung preis in %
Wiederverkaufswert
Zuverlässigkeit
Motorleistung
Umweltverträglich keit
Komfort
Sicherheit
Markenimage
Gewichte (in %) Audi A3 21.800 1.6
1
21.800
0
22,9%
22,6%
54,5%
Ford Focus 1.6
16.960
0,864
14.653
13,6
20,4%
1,4%
Mazda 3 1.5
16.489
0,854
14.082
14.6
41,7%
4,7%
Opel Astra 92
17.010
1
17.010
0
78,5%
12,7%
Peugeot
14.670
0,923
13.540
7,7
20,4%
50,1%
27,6%
13.550
1
13.550
0
22,8%
42,1%
307/65 Toyota Corolla 71
31,8%
Tabelle 32: Effiziente Preise für ausgewählte Modelle
678 679
Vgl. Ratchford et al. (1996), S. 173. Vgl. Kamakura/Ratchford/Agrawal (1988), S. 292 f.
3,3%
78,2%
21,3%
32,3% 8,8%
1,9%
258 Der Prozentwert indiziert jenen Teil des Kaufpreises, der nicht auf Basis der Eigenschaften gerechtfertigt ist. So zeigt sich beispielsweise, dass die aktuelle Outputleistung des Mazda nur 85,4% des derzeitigen Kaufpreises rechtfertigt. Die fünfte Spalte von Tabelle 32 zeigt, wie stark die ineffizienten Varianten überteuert ist und welche Preissenkungen vorzunehmen wären. Beim Mazda wären dies 14,6%. Dies ist der Preis, der bei Kauf des Referenzproduktes für die gleiche Leistung nur vom Kunden zu zahlen ist. Durch den Kauf des Mazda entgeht den entsprechenden Käufern somit eine Konsumentenrente in Höhe von 2.400 Euro. Einen Teil dieser Konsumentenrente könnten die Käufer realisieren, wenn Sie in dem von ihnen präferierten Segment statt des Mazda eine der beiden Benchmark-Varianten erwerben würden. Diese Informationen können eine große Hilfestellung für Produktcontrolling, Preisfestsetzung und Target Costing liefern.
2.
Studie zur Analyse der Markeneffizienz
2.1.
Untersuchungsgegenstand und Problemstellungen
Gegenstand der folgenden empirischen Studie ist die Markeneffizienz aus Anbietersicht. Es wird somit die Effizienz des Markenführungsprozesses (Branding Efficiency) untersucht. Im Rahmen der Markenführung investieren Hersteller durch den Einsatz bestimmter Marketinginstrumente Ressourcen mit dem Ziel, eine bestimmte Ausbringung (psychologische und ökonomische Markenwertgrößen) zu produzieren. Diese allgemeine Definition des Markenmanagements reflektiert eine ganzheitliche Betrachtung des Markenwertes, die die verhaltenswissenschaftliche und finanzwirtschaftliche Perspektive verknüpft. Danach ist Markenwert die Gesamtheit aller positiven und negativen Vorstellungen und Reaktionen, die aktiviert werden, wenn Konsumenten das Markenzeichen wahrnehmen sowie die daraus transferierten finanzielle Wirkungen für das Unternehmen.680 Die Einbeziehung beider Outputkategorien erweist sich auch deshalb als angebracht, da sie sowohl Implikationen für die Markenführung als auch -kontrolle ermöglichen. Die verhaltenswissenschaftlichen Outputgrößen dienen als diagnostisches Zielmaß der Markenführung und unterstützen so einen optimalen Instrumenteneinsatz zur Markensteuerung. Die ökonomischen Größen sind hingegen Bewertungsmaßstäbe, die die Kontrolle der Umsetzung der psychografischen Größen in tatsächlichen Markenerfolg ermöglichen.681 Ziel der Untersuchung ist es, für das Management von 33 konkurrierenden Automobilmarken in Deutschland das Verhältnis aus eingesetzten Inputs (Spendings) und erreichten Outputs zu ermitteln und zu vergleichen. Vor dem Hintergrund zunehmen680 681
Vgl. Schulz/Brandmeyer (1989), S. 365. Vgl. Meffert/Koers (2001), S. 299.
258 Der Prozentwert indiziert jenen Teil des Kaufpreises, der nicht auf Basis der Eigenschaften gerechtfertigt ist. So zeigt sich beispielsweise, dass die aktuelle Outputleistung des Mazda nur 85,4% des derzeitigen Kaufpreises rechtfertigt. Die fünfte Spalte von Tabelle 32 zeigt, wie stark die ineffizienten Varianten überteuert ist und welche Preissenkungen vorzunehmen wären. Beim Mazda wären dies 14,6%. Dies ist der Preis, der bei Kauf des Referenzproduktes für die gleiche Leistung nur vom Kunden zu zahlen ist. Durch den Kauf des Mazda entgeht den entsprechenden Käufern somit eine Konsumentenrente in Höhe von 2.400 Euro. Einen Teil dieser Konsumentenrente könnten die Käufer realisieren, wenn Sie in dem von ihnen präferierten Segment statt des Mazda eine der beiden Benchmark-Varianten erwerben würden. Diese Informationen können eine große Hilfestellung für Produktcontrolling, Preisfestsetzung und Target Costing liefern.
2.
Studie zur Analyse der Markeneffizienz
2.1.
Untersuchungsgegenstand und Problemstellungen
Gegenstand der folgenden empirischen Studie ist die Markeneffizienz aus Anbietersicht. Es wird somit die Effizienz des Markenführungsprozesses (Branding Efficiency) untersucht. Im Rahmen der Markenführung investieren Hersteller durch den Einsatz bestimmter Marketinginstrumente Ressourcen mit dem Ziel, eine bestimmte Ausbringung (psychologische und ökonomische Markenwertgrößen) zu produzieren. Diese allgemeine Definition des Markenmanagements reflektiert eine ganzheitliche Betrachtung des Markenwertes, die die verhaltenswissenschaftliche und finanzwirtschaftliche Perspektive verknüpft. Danach ist Markenwert die Gesamtheit aller positiven und negativen Vorstellungen und Reaktionen, die aktiviert werden, wenn Konsumenten das Markenzeichen wahrnehmen sowie die daraus transferierten finanzielle Wirkungen für das Unternehmen.680 Die Einbeziehung beider Outputkategorien erweist sich auch deshalb als angebracht, da sie sowohl Implikationen für die Markenführung als auch -kontrolle ermöglichen. Die verhaltenswissenschaftlichen Outputgrößen dienen als diagnostisches Zielmaß der Markenführung und unterstützen so einen optimalen Instrumenteneinsatz zur Markensteuerung. Die ökonomischen Größen sind hingegen Bewertungsmaßstäbe, die die Kontrolle der Umsetzung der psychografischen Größen in tatsächlichen Markenerfolg ermöglichen.681 Ziel der Untersuchung ist es, für das Management von 33 konkurrierenden Automobilmarken in Deutschland das Verhältnis aus eingesetzten Inputs (Spendings) und erreichten Outputs zu ermitteln und zu vergleichen. Vor dem Hintergrund zunehmen680 681
Vgl. Schulz/Brandmeyer (1989), S. 365. Vgl. Meffert/Koers (2001), S. 299.
259 der Homogenisierung der technischen Kernleistungen und zunehmender Markengetriebenheit des Automobilkaufs steht die Marke gerade im Automobilbereich stärker denn je im Fokus der Marketingbemühungen.682 Der Output-Input-Quotient stellt den Markeneffizienzwert dar, der als Return on Brand Investment (ROBI) zu verstehen ist. Der relative ROBI einer Marke, der den ROBI im Vergleich zur relevanten Referenzmarke misst, gibt Auskunft darüber, welche Markenausgaben für die erreichten Markenwirkungen angemessen sind. So bedeutet ein relativer ROBI von 80%, dass 80% der aktuellen Markenausgaben ausreichen müssten, um den gleichen Output zu erzielen. 20% der Ausgaben werden also ohne entsprechende Outputwirkungen eingesetzt. Die Differenz zwischen den aktuellen Ausgaben einer bestimmten Marke und den effizienten Ausgaben in Höhe von 20% misst das Ausmaß an Overspendings. Die DEA erlaubt die Quantifizierung solcher Overspendings bzgl. jedes betrachteten Instrumentes. Eine entsprechende Reduktion der Inputs ist die Voraussetzung, um eine ineffiziente Marke auf den effizienten Rand zu überführen. Die Identifizierung von Overspendings ist somit erforderlich für die Ableitung adäquater Budgetvorgaben für die Markenführungsinstrumente. Unter Verwendung der Benchmarking-Klassifizierungsdimensionen lässt sich die nachfolgende Studie zum Vergleich der Markeneffizienz wie folgt charakterisieren: 1) Vergleichspartner: extern; direkte Konkurrenten im deutschen Markt 2) Vergleichsobjekte: Prozess (Markenführung) innerhalb eines Marketinginstrumentes (Produktpolitik) 3) Vergleichsmaßstab: Output-Input-Relation 4) Vergleichshorizont: 2003/2004 (Marktdaten, Kundeneinschätzungen) 5) Vergleichsziel: Best Practice und Best-Practice-Führer (Supereffizienz)
2.2.
Auswahl der Outputs und Inputs und Datengrundlage
Die Auswahl der Outputs folgt, wie bereits erwähnt, der Maßgabe, den Markenwert umfassend abzubilden und sowohl Markenstärkegrößen als auch monetäre Markenwertgrößen einzubeziehen. Hierfür wird auf das in B-3.2.2.1.3 entwickelte Markeneffizienzmodell zurückgegriffen. Der Output Markenbekanntheit wird gewählt, um die die kognitive Wirkung der Marke abzubilden, während Markensympathie und -image herangezogen werden, um die emotionalen Reaktionen auf die Marke zu erfassen. Diese drei Outputgrößen decken somit die psychografische Dimension der Markenstärke ab. Als verhaltensbezogener 682
Vgl. Büschken (2006); Fischer/Meffert/Perrey (2004), S. 340 f.
260 Markenstärkeindikator mit unmittelbaren ökonomischen Konsequenzen wird die Markentreue i.S. der Bereitschaft, eine Marke wiederholt zu erwerben, verwendet.683 Das Umsatzpremium reflektiert schließlich die monetären Folgen des Verhaltens der Konsumenten (Kauf, Markentreue) für das Unternehmen und ist somit der Indikator des ökonomischen Markenwertes. Durch diese Auswahl der Outputs wird die konsumenten- und anbieterbezogene Perspektive des Markenwertes umfassend berücksichtigt. Die mehrdimensionale Konzeptualisierung der Outputseite ermöglicht es nun zu untersuchen, durch welche Instrumente sich welche Markenwertgrößen am effizientesten verbessern lassen (Ermittlung der Wirkungseffizienz der eingesetzten Instrumente). So zeigt die DEA, bezüglich welcher Output- und Inputgrößen eine Marke ein überlegenes Effizienzverhältnis erreicht. Es lassen sich, je nach Zielsetzung des Herstellers in Bezug auf die Markenoutputkette (z.B. Image- vs. Loyalitätssteigerung), entsprechend ihrer Effizienz die entsprechenden Instrumente priorisieren und Ressourcen entsprechend allozieren. Nachfolgend wird auf die Operationalisierung der ausgewählten Outputs eingegangen. Die Markenbekanntheit wird über die ungestützte Markenbekanntheit in % erfasst, die angibt, wie viel % der Befragten die Marke aus dem Gedächtnis erinnern konnten (Recall-Test). Die Markensympathie misst, inwieweit eine Marke den Konsumenten emotional aktivieren kann. Das Konstrukt wird operationalisiert durch den Anteil der Konsumenten, die die entsprechende Marke als sympathisch und begehrenswert empfinden und eine emotionale Beziehung zur Marke aufgebaut haben.684 Das Markenimage spiegelt die Einstellung zur Marke wider und wird durch einen ScoringWert operationalisiert, der sich aus der Bewertung folgender Imagefacetten zusammensetzt: Sicherheit, Qualitätsimage, Umweltbewusstsein, Kundenfreundlichkeit, Überlegenheit, Reputation, Innovationskraft, Weltoffenheit, Persönlichkeit/Charakter, Design, Sportlichkeit, Exklusivität/Prestige und Motorsporterfolg.685 Die genannten Imagefacetten habe sich in verschiedenen Studien als für einen Autokauf relevant erwiesen. 686 Der prozentuale Anteil der Befragten, die die Marke nach vier Jahren wieder kaufen würden, misst die Markenloyalität. Auf Individualebene kann dieser %Wert als Wiederkaufwahrscheinlichkeit (Bindungsquote) interpretiert werden.687
683 684 685
686
687
Vgl. Yoo/Donthu/Lee (2000), S. 200 f. Datenquelle für Markenbekanntheit und -sympathie: Stern Markenprofile 10, September 2003. Der Scoringwert ergibt sich als Summe der Werte für die einzelnen Imagefacetten, die durch die Anzahl der befragten Personen erfasst wurden, die der Marke die betrachtete Imagefacette zuschreiben. Die Imagedaten entstammen der aktuellen Imageerhebung, die jährlich vom ADAC im Rahmen des PKW-Monitor-Panels (3.935 Teilnehmer) durchgeführt wird. Vgl. AC Nielsen (2001); ADAC (1997); ADAC Spezial Autotest; Forsa-Automobilumfrage 2004 (zit. nach ADAC (2004)); Papahristodoulou (1997). Datenquelle: Unveröffentlichte empirische Studie zur Markenstärke in der deutschen Automobilindustrie, Lehrstuhl für ABWL und Marketing II, Universität Mannheim.
261 Das Umsatzpremium gibt den Anteil des Umsatzes in % an, der nur aufgrund der Marke erzielt wurde.688 Hiermit wird der in Abschnitt B-3.2.2.1.3 aufgestellten Forderung entsprochen, als Markenpremium nicht allein das Preispremium heranzuziehen, sondern auch die Mengenkomponente zu berücksichtigen. Bezüglich der Erfassung der Outputseite sei abschließend auf folgendes messmethodisches Problem hingewiesen: Es wird in der Literatur betont und auch empirisch nachgewiesen, dass die verhaltensorientierten Markenstärkegrößen als Determinanten der monetären Markenwertgrößen zu betrachten sind.689 Damit ist klar, dass die hier verwendeten Outputgrößen nicht unabhängig voneinander sind. Allerdings ist deren gleichzeitige Berücksichtigung im Rahmen der DEA gerechtfertigt, solange die Höhe der vorgelagerten Outputgrößen nicht vollständig die Höhe der nachfolgenden Größen determiniert. Dies kann bei den hier betrachteten Outputs ausgeschlossen werden, da vorteilhaft ausgeprägte psychografische Wirkungsgrößen beim Konsumenten (z.B. ein gutes Image oder ein hohe Bekanntheit) nicht zwangsläufig zu einem hohen Preispremium führen. Vielmehr ist es gerade von der Markenführung abhängig, ob die Markenstärke auch in Form von zusätzlichen Zahlungsströmen kapitalisiert werden kann. Insofern leisten alle betrachteten Outputs einen eigenständigen Erklärungsbeitrag zur Effizienz der Markenführung und sollten deshalb berücksichtigt werden, um ein allgemeingültiges Modell zu ermöglichen. In der DEA-Literatur wird explizit betont, dass hohe Korrelationen zwischen Outputgrößen aufgrund der entsprechenden Anpassung der Gewichtungen keine Verzerrung der Effizienzwerte bewirken. So würden sich bei Verwendung zweier ähnlicher Faktoren, statt nur eines dieser Faktoren, die Gewichte jedes Faktors entsprechend reduzieren bzw. die Gewichte zwischen den hoch korrelierten Variablen verschieben.690 Daher sollten und dürfen bei nicht parametrischen Verfahren einzelne Input- oder Outputvariablen, auch bei hoher Korrelation mit anderen Variablen, nicht weggelassen werden wie dies z.B. von Norman/Stoker empfohlen wird,691 weil dies zu einer starken Veränderung der durchschnittlichen DEA-Effizienz führen kann.692 So kann es sein, dass Va-
688
689 690
691
692
Hierzu wurde das absolute Dachmarken-Preispremium in Euro (als Durchschnitt der Preisprämien der einzelnen Produktmarken) mit der abgesetzten Stückzahl multipliziert. Das DachmarkenPreispremium gibt dabei den Anteil des Kaufpreises an, der ausschließlich für die Marke gezahlt wird. Die Daten für die Preisprämien wurden aus drei Marktstudien (BCG, McKinsey und Morgan Stanley) entnommen. Da die Angaben der drei Studien in gewissen nachvollziehbaren Bandbreiten variierten, wurde der Durchschnitt aus den drei Datenquellen verwendet, um eine gute Annäherung an den „wahren“ Wert zu gewährleisten. Vgl. Bekmeier-Feuerhahn (1998); Valtin (2005), S. 91 f. Vgl. Dyson et al. (2001), S. 248 f. Eine Unabhängigkeit der Input- und Outputgrößen im Rahmen der DEA wird in der Literatur nicht gefordert, sie wäre auch nicht realisierbar. Eine Abhängigkeit erscheint plausibel und wünschenswert, um eine inhaltliche Nähe der Parameter zum Untersuchungsgegenstand (Markeneffizienz) zu gewährleisten. Vgl. Norman/Stoker (1991), S. 33 f. Ein solches Vorgehen, das von Norman/Stoker zur Reduzierung der Variablenanzahl in DEA-Modellen empfohlen wird, wäre rein mechanistisch. Vgl. Dyson et al. (2001), S. 249; Saen/Memariani/Lotfi (2005), S. 519 f.
262 riationen in den Variablenausprägungen einzelner DMUs zwar einen kleinen Einfluss auf die Korrelation der Variablen, aber einen signifikanten Effekt auf die DEAEffizienz haben, da diese anhand der multi-dimensionalen Distanz zu den (einzelnen) extremen Beobachtungen gemessen wird. Selbst bei perfekter Korrelation zweier Variablen kann sich – bspw. aufgrund unterschiedlicher fixer Bestandteile – durch Weglassen von einer der beiden Einflussgrößen die Effizienz der DMUs ändern, solange nicht ein Faktor exakt ein Vielfaches des anderen ist.693 Der Literatur folgend kann davon ausgegangen werden, dass die drei Markenführungsinstrumente Werbung, Distribution und Qualitätspolitik die „key marketing instrument variables“ darstellen, die den größte Teil der Aufwendungen für die Markenführung abdecken.694 Auch in der empirischen Untersuchung von Huber/Herrmann/ Peter ergeben sich die Kommunikations-, Vertriebs- und Produkt(qualitäts)leistung als die wichtigsten Treiber der Markenstärke, weshalb (Re)Allokationsentscheidungen sich auf die hierfür eingesetzten Ressourcen konzentrieren müssen.695 Andere Marketingaktivitäten sind in ihrer Bedeutung als eher vernachlässigbar anzusehen. Entsprechend gehen die Aufwendungen dieser drei genannten Instrumente als Inputs in die Effizienzbewertung ein. Eine Integration weiterer Inputs, wie Mitarbeiterkosten oder Kosten für Markenentwicklung und Markenschutz, hätte außerdem prohibitiv hohe Anforderungen an die Datenbeschaffung gestellt, da die Markenhersteller selbst in der Regel diese Kostenpositionen nicht quantifizieren und bestenfalls grobe Schätzungen hierfür vornehmen können. Nachfolgend wird auf die Operationalisierung der ausgewählten Inputs eingegangen. Die Werbekosten umfassen die Bruttowerbeinvestitionen für Print, TV, Hörfunk und Outdoor in Mio. Euro.696 Die Berücksichtigung von Außenwerbung ist im Rahmen der 693 694
695 696
Vgl. Dyson et al. (2001), S. 248 f.; Nunamaker (1985). Vgl. Bauer/Meeder/Jordan (2000a), S. 38; Murthi/Srinivasan/Kalyanaram (1996), S. 332; Yoo/Donthu/Lee (2000), S. 201 ff. Vgl. Huber/Herrmann/Peter (2003), S. 358. Datenquellen: ADAC AutoMarXx Dezember 2002 und Dezember 2003. Zur Überprüfung der Richtigkeit der ADAC-Daten wurden die dort ausgewiesenen Werbeaufwendungen mit den Zahlen von Nielsen Media Research abgeglichen, die für 10 der 33 Marken vorlagen. Hier zeigte sich eine hohe Übereinstimmung. Eine Vergleichbarkeit der Werbeausgaben über die Marken ist gegeben, da alle hier betrachteten Marken schon seit mehreren Jahren im Markt präsent und somit etabliert sind. Insofern sind in den Werbeausgaben der hier untersuchten Marken keine einmaligen, „außergewöhnlichen“ Ausgaben für die (Wieder)Markteinführung einer Marke enthalten, wie dies z. B. bei Maybach oder Chevrolet der Fall wäre. Somit sind die Werbeausgaben als laufende Ausgaben zu verstehen, die primär der Markenpflege dienen. Dies wirft natürlich gewisse Probleme der verursachungsgerechten Zurechnung der Werbeausgaben zu den Outputgrößen auf. So dürfte z.B. ein gewisser Teil der Markenbekanntheit gerade durch die Werbekampagnen in der Einführungsphase aufgebaut worden und im Sinne einer Depotwirkung unabhängig von den heutigen Werbeausgaben erhalten geblieben sein. Dies gilt jedoch für alle Marken gleichermaßen und außerdem ist zu argumentieren, dass wiederum ein erheblicher Teil der Bekanntheit und Erinnerung ohne kontinuierliche Werbeanstrengungen durch Vergessensprozesse verfallen würde und eine einmalige massierte Schaltung nicht ausreicht. Hierfür existieren zahlreiche Forschungsbefunde; vgl. Mayer/Illmann (2000).
263 Markenbewertung wichtig, da gerade sie zum Teil sog. „uninformative Werbung“ darstellt, die keine konkreten produktbezogenen Informationen vermittelt und daher primär dem Markenaufbau dient.697 Hier besteht das Problem, dass zumindest ein Teil der Outputwirkung der Werbung regelmäßig erst mit gewisser Zeitverzögerung eintritt. Um diese time-lag-Effekte zu modellieren, wird der Durchschnitt aus den Werbeinvestitionen der Basis- und der Vorperiode herangezogen. Dem liegt die Annahme zu Grunde, dass sich jeweils 50% der Werbeaufwendungen erst in der nächsten Periode in entsprechenden Outputänderungen niederschlagen. Einige Autoren schlagen stattdessen eine Gewichtung von 75% zu 25% vor,698 allerdings soll diesem Vorgehen in Ermangelung präziser Informationen zum Ausmaß der time lags nicht gefolgt werden. Vielmehr scheint eine Gleichgewichtung ein guter Kompromiss zu sein.699 Da die Verfügbarkeit einer Marke nach klassischem Begriffsverständnis des Markenartikels eine zentrale Rolle spielt und Distributionsleistungen entscheidend zur Differenzierung einer Marke beitragen, dürfte die Distributionsfunktion einen großen Teil des Markenbudgets beanspruchen.700 Zur Bestimmung der Distributionskosten in Euro wurde die Anzahl der Vertragshändler mit Komplettvermarktungslizenz herangezogen und mit den durchschnittlichen Kosten für den Aufbau und die markengerechte Gestaltung einer Händlerfiliale multipliziert.701 Problematisch erwies sich die Beschaffung der Daten zu den Qualitätskosten. Um die Kosten für Qualitätssicherung und -prüfung und Fehlerbeseitigung als wichtige Investition in eine Marke berücksichtigen zu können, wurden die Ausprägungen der wesentlichen technischen und funktionalen Qualitätseigenschaften als Indikator für die Kosten herangezogen. Diese Qualitätsattribute entstammen der regelmäßig durchgeführten ADAC-Studie AutoMarXx, die diese Attribute in vier Hauptqualitätskategorien einteilt:702 technisch-ökologische Qualität (Karosserie/Kofferraum, Innenraum, Komfort, Motor/Antrieb, Fahreigenschaften, Sicherheit, Umwelt) entnommen aus über 350 Testberichten des Landsberger Autotestzentrums, ökonomische Qualität (Wertbeständigkeit, Verbrauch, Steuerbelastung, laufende Reparatur- und Wartungskosten), „TÜV-Qualität“ (Anzahl erheblicher Mängel) und Zuverlässigkeit (Pannenkennzahlen aus ADAC-Pannenstatistik). Die Testnoten für alle Einzelkriterien werden zu einem Gesamtqualitätsindex zusammengefasst, der als Proxy für die 697 698 699
700 701
702
Vgl. Tirole (1999), S. 252. Vgl. Charnes et al. (1997b), S. 161. Vgl. Luo/Donthu (2001), S. 14, die zur Messung der Werbeeffizienz eine ähnliche Vorgehensweise wählen. Vgl. Bauer/Herrmann/Graf (1995), S. 5; Mahajan (1991), S. 189. Die Händlerzahl wurde der jährlich vom Verband des Kfz-Gewerbes bundesweit durchgeführten Studie zum Vertriebs- und Servicenetz im Automobilhandel entnommen. Die Kostenangaben basieren auf Expertengesprächen mit BCG, Bereich Automotive. Datenquelle: ADAC AutoMarXx, Dezember 2003.
264 Qualitätskosten dient. Dem liegt die unmittelbar einsichtige und vielfach empirisch bestätigte Annahme zu Grunde, dass Qualitätsniveau und -kosten hoch korreliert sind.703 Die deskriptive Statistik zu den verwendeten Input- und Output-Daten zeigt Tabelle 33. Werbekosten
Distributionskosten
Qualitätskosten
Bekanntheit
Sympathie
Image
Markentreue
Umsatzpremium
Min
1,98
5,1
1,02
62,2
2,8
3.228
39,4
0,2
Max
132,24
107,52
4,35
98,8
74,8
49.617
70,5
17,31
Mittelwert
39,6
26,96
1,98
88,88
24,86
12.220
53,45
3,14
Median
19,26
20,76
1,93
90,9
17,6
6.995
51,36
1,64
STABW
38,58
22,24
0,69
8,35
20,75
12.170
6,76
4,38
Tabelle 33: Deskriptive Statistik der Ausgangsdaten
2.3.
Auswahl einer geeigneten DEA-Spezifikation
Zur Bestimmung der Markeneffizienz wird auf ein inputorientiertes BCC-Modell zurückgegriffen, welches wiederum mit dem Supereffizienzmodell kombiniert wird. Die Wahl eines inputorientierten Modells entspricht der Zielsetzung, Overspendings bei den Markenkosten zu identifizieren, da der Instrumenteneinsatz und damit die Markenkosten unmittelbar und direkt durch das Markenmanagement kontrolliert werden können. Dies wird üblicherweise durch eine Allokation von Budgets auf die Instrumente gewährleistet. Ein BCC-Modell reflektiert die Annahme, dass keine konstanten Grenzerträge des Einsatzes der Markenführungsmaßnahmen zu erwarten sind, d.h. die Zielerreichung nicht proportional zur Steigerung etwa von Werbedruck und Distributionsquote zunimmt. Ein Supereffizienzmodell wird darüber hinaus angewendet, um ein eindeutiges Effizienz-Ranking der Marken zu erhalten und auch innerhalb der Gruppe der effizienten Marken Performanceunterscheide (Wettbewerbsvorsprünge) erkennen zu können.
2.4.
Auswertung der Ergebnisse
2.4.1.
Das Markeneffizienz-Ranking
Tabelle 34 zeigt die Effizienzwerte der untersuchten Marken, die als valide angesehen werden können, wie die Maverick-Werte zeigen, die bis auf zwei Ausnahmen 703
Vgl. Tirole (1999). Zahlreiche Untersuchungen zeigen, dass Unternehmen in den meisten Fällen höhere Preise nicht aus opportunistischen Überlegungen setzen, um Informationsasymmetrien der Käufer auszubeuten, sondern diese durch höhere Kosten (aufgrund höherer Qualität) gerechtfertigt sind; vgl. Kirmani/Rao (2000), S. 70 ff. Gerade aus diesem Grunde wird eine höhere Preiszahlungsbereitschaft der Nachfrager legitimiert.
265 alle deutlich unter 1 liegen. 19 Marken sind effizient und erreichen einen BCCEffizienzwert von 100%. Diese bilden den effizienten Rand des betrachteten Marktes und können im Standardmodell nicht weiter differenziert werden. Erst eine Bestimmung der Supereffizienzwerte ermöglicht ein vollständiges Ranking der Marken. Wie die Supereffizienzanalyse zeigt, bestehen auch innerhalb der Marken auf dem effizienten Rand erhebliche Performanceunterschiede, die durch den Einheitsscore von 100% verdeckt werden. Anhand der Supereffizienzwerte stellt sich die Marke Porsche als der Performanceführer dar, der bzgl. der Markenführung über den größten Wettbewerbsvorsprung verfügt. So würde Porsche selbst bei einer erheblichen Erhöhung der Markeninvestitionen - genau bis zu einer Erhöhung um 154% - das „Prädikat“ der Effizienz behalten und auf dem Rand verbleiben. Dies verdeutlicht, welche Werte Porsche, insb. bei Image, Bekanntheit und Markentreue, mit vergleichsweise moderaten Markeninvestitionen generieren kann. Gefolgt wird Porsche von Daewoo, ein Ergebnis, welches zunächst kontraintuitiv scheint. Dies ist jedoch durch das Grundprinzip der Effizienzanalyse erklärbar, bei der nicht die absolute Höhe der Input- und Outputquantitäten relevant ist, sondern betrachtet wird, welche Outputs in Relation zu den Inputs produziert werden. Bei dieser Transformation von Inputs in Outputs ist Daewoo offenbar ähnlich erfolgreich wie Porsche oder Jaguar, auch wenn das absolut erreichte Niveau nicht vergleichbar ist. Auf die entsprechenden Strategieimplikationen wird noch genauer im nächsten Abschnitt eingegangen. Die durch die DEA implizit ermittelte Randfunktion, die hier eine n-dimensionale Hyperebene darstellt, die durch 19 Marken aufgespannt wird, kann als eine Technologie für die „effiziente Produktion von Markenwert“ interpretiert werden. Für jede ineffiziente Marke kann ein Referenzpunkt auf dieser Randfunktion bestimmt werden, der entweder vollständig durch eine reale effiziente Marke (wie für Kia und Hyundai) oder eine Kombination aus mehreren effizienten Marken (wie für die übrigen ineffizienten Marken) formiert wird. Eine Analyse der Referenzmarke liefert dann für die jeweilige dominierte Marke Erkenntnisse über die zu verwendende Technologie der InputOutput-Transformation. Sie liefert in Form von Zielvorgaben damit auch genaue Informationen darüber, welches Ausmaß an Markenbekanntheit, -sympathie, -image, treue und Umsatzpremium bei effizientem Ressourceneinsatz erreichbar wäre. Der Markeneffizienzwert wird in Relation zu den besten vergleichbaren Wettbewerbern (Best-Practice-Marken) ermittelt. Diese explizite Berücksichtigung der Wettbewerbssituation bei der Markenbewertung stellt eine wesentliche Verbesserung im Vergleich zu klassischen Markenwertansätzen dar. Der ausgewiesene Markeneffizienzwert kann als relativer Return on Brand Investment interpretiert werden. Er gibt an, wie viel weniger Input eine vergleichbare effiziente Marke zur Produktion der gleichen Markenwirkung (Output) benötigt. Für Kia bedeutet dies, dass die Refe-
266 renzmarke Land Rover nur 76% der Markenkosten aufwenden muss, um mindestens das gleiche Outputniveau wie Kia zu erzielen.704
Marke
SuperBCCeffizienzwert Effizienzwert
Referenzmarken (Anteile λ an virtueller Referenzmarke) / Anzahl der Referenznehmer
MaverickIndex 0,86
Porsche
2,544
1
3
Daewoo
1,817
1
2
0,8
Jaguar
1,615
1
6
0,16
Mercedes Benz
1,551
1
1
0,47
Subaru
1,481
1
0
1,27
Renault
1,461
1
0
0,77
Fiat
1,402
1
2
0,41
Chrysler
1,376
1
2
0,26
Volkswagen
1,364
1
1
0,81
Opel
1,362
1
0
0,87
Land Rover
1,359
1
8
0,14
Audi
1,31
1
0
1,04
Toyota
1,296
1
0
0,61
Mitsubishi
1,281
1
1
0,96
Ford
1,199
1
1
0,71
Volvo
1,199
1
2
0,45
BMW
1,146
1
0
0,54
Alfa Romeo
1,129
1
6
0,32
Nissan
1,067
1
0
0,54
Honda
0,977
0,977
Jaguar (0,17) Mercedes (0,08) Mitsubishi (0,2) Porsche (0,1) Volvo (0,45)
0,45 0,77
Rover
0,963
0,963
Jaguar (0,49) Land Rover (0,51)
Smart
0,926
0,926
Jaguar (0,75) Porsche (0,25)
0,9
Peugeot
0,895
0,895
Alfa (0,61) Ford (0,39)
0,61
Citroen
0,867
0,867
Alfa (0,15) Chrysler (0,25) Fiat (0,6)
0,55
Lancia
0,862
0,862
Jaguar (0,54) Land Rover (0,46)
0,55
Saab
0,798
0,798
Daewoo (0,07) Jaguar (0,93) Porsche
0,48
Mazda
0,771
0,771
Alfa (0,4) Chrysler (0,09) Fiat (0,23) VW (0,05) Volvo (0,23)
0,49 0,75
Kia
0,76
0,76
Land Rover (1)
Daihatsu
0,751
0,751
Daewoo (0,82) Land Rover (0,18)
0,81
Suzuki
0,698
0,698
Alfa (0,1) Land Rover (0,9)
0,51
Hyundai
0,642
0,642
Land Rover (1)
0,51
Seat
0,638
0,638
Alfa (0,43) Jaguar (0,21) Land Rover (0,36)
0,33
Skoda
0,597
0,597
Alfa (0,3) Land Rover (0,7)
0,29
Tabelle 34: Effizienzergebnisse der untersuchten Marken
704
Da Output-Slacks vorliegen, wie Tabelle 36 zeigt, erreicht Land Rover bei einigen Outputs sogar eine höhere Wirkung als Kia bei gleichzeitig geringeren Markeninvestitionen.
267 Entsprechend outputorientiert formuliert gibt der Effizienzwert von 0,76 für Kia an, dass Kia mit dem aktuellen Inputeinsatz die Ergebnisse bei den fünf Outputgrößen um den Faktor 1,31 (1/0,76) bzw. 31% steigern müsste, um denselben Return on Brand Investment wie Land Rover zu erzielen. Tabelle 34 zeigt weiterhin an, wie häufig die effizienten Marken in die (virtuellen) Benchmarks ineffizienter Marken eingehen, d.h. wie viele Referenznehmer diese besitzen. Land Rover (8), Jaguar (6) und Alfa Romeo (6) werden am häufigsten als Benchmarks zur Effizienzbewertung herangezogen. Dies ist ein erstes Indiz dafür, dass diese Marken offenbar – zumindest im Vergleich mit den ineffizienten Marken „gängige, weit verbreitete Markenführungskonzepte“ verfolgen, da diese offenbar zu denen zahlreicher anderer ineffizienter Marken ähnlich sind. Demgegenüber verfolgen jene Marken, die nur für sich selbst als Benchmark dienen (also 0 Referenznehmer aufweisen) eine differenzierte, eigenständige Markenführungsstrategie. Da für die effizienten Marken keine fremden Benchmarks existieren, lässt sich eine Aussage über die Ähnlichkeit von Strategien innerhalb der Gruppe der effizienten Marken nur anhand der Input- und Output-Gewichte treffen. Hierauf wird im nächsten Abschnitt genauer eingegangen.
2.4.2.
Identifizierung der Markeneffizienztreiber und erfolgreicher Markenführungsstrategien
In Tabelle 35 sind die Gewichte angegeben, die im Rahmen der DEA für jede Marke individuell entsprechend der spezifischen Input-/Outputstruktur ermittelt wurden, um den Markeneffizienzwert zu maximieren. Der Ausweis der Gewichte ist ein weiterer Vorteil im Vergleich zu klassischen Markenwertansätzen, bei denen üblicherweise nicht offen gelegt wird, mit welchen Gewichten die Variablen in die Bestimmung des Markenwertes einfließen. Da diese Gewichte außerdem endogen optimiert werden, sind keine subjektiven A-Priori-Informationen über die Parametergewichtungen für die Markenbewertung notwendig. Entsprechend dieser Vorgehensweise informieren die Gewichte über den Effizienzbeitrag der Parameter und somit die individuellen Stärken und Schwächen. Ein Blick auf die Input-Gewichte der effizienten Marken zeigt die von diesen fokussierten Instrumente an, während die Outputgewichte Auskunft geben, welche Ergebniswirkungen damit vornehmlich realisiert wurden. Damit können Erkenntnisse über den eingesetzten Output/Input-Mix gewonnen werden, der zum Erreichen der effizienten Positionierung geführt hat.
268 Marke
„Strategie“
Werbekosten
Distributionskosten
Qualitäts- Bekanntkosten heit
Sympathie
Image
Markentreue
Umsatzpremium
Effiziente Marken Porsche
Bekanntheit
1
0
0
0,93*
0
0,07
0
0
Daewoo
Bekanntheit
1
0
0
1*
0
0
0
0
Mitsubishi
Bekanntheit
0,68
0
0,32
0,84*
0
0
0
0,16
Volvo
Bekanntheit
0,55
0
0,45
0,87*
0
0
0,09
0,04
Fiat
Bekanntheit
0,41
0
0,59
1*
0
0
0
0
Opel
Bekanntheit
0
0
1
0,9*
0
0
0,1
0
Ford
Bekanntheit
0
0,20
0,8
1*
0
0
0
0
Alfa Romeo
Bekanntheit
0,05
0
0,95
0,91*
0
0,09
0
0
Nissan
Bekanntheit
0,26
0
0,74
0,93*
0
0
0
0,07
Volkswagen
Sympathie
0
0,01
0,99
0
0,9*
0
0,1
0
Land Rover
Sympathie
0,09
0
0,91
0
1*
0
0
0
Audi
Sympathie
1
0
0
0
1*
0
0
0
BMW
Sympathie
0,99
0,01
0
0
0,72*
0,28
0
0
Jaguar
Markentreue
0
0,49
0,51
0
0
0
0,99*
0,01
Mercedes Benz
Markentreue
0,03
0,95
0,02
0
0
0
0,69*
0,31
Renault
Markentreue
0
0,22
0,78
0
0
0
1*
0
Subaru
Umsatzpremium
0,74
0
0,26
0
0
0
0
1*
Chrysler
Umsatzpremium
0,52
0,1
0,38
0
0
0
0
1*
Toyota
Umsatzpremium
0
0
1
0
0
0
0
1*
0,6
0,1
0,3
0,87*
0
0
0
0,13 0,54*
Ineffiziente Marken Honda
Bekanntheit
Rover
Umsatzpremium
0
0,36
0,64
0,1
0,03
0,06
0,27
Smart
Bekanntheit
0
0,97
0,03
1*
0
0
0
0
Peugeot
Bekanntheit
0
0,21
0,79
0,78*
0,22
0
0
0
Citroen
Bekanntheit
0
0
1
0,96*
0
0,02
0
0,02
Lancia
Bekanntheit
0
0,35
0,65
0,99*
0
0
0,01
0
Saab
Bekanntheit
0,61
0,29
0,09
0,68*
0,07
0,02
0,21
0,02
Mazda
Bekanntheit
0,1
0
0,9
0,91*
0,07
0
0
0,02
Kia
Image
0
0
1
0,23
0,01
0,64*
0,08
0,04
Daihatsu
Markentreue
0,1
0
0,9
0,18
0,01
0
0,81*
0
Suzuki
Bekanntheit
0,21
0
0,79
1*
0
0
0
0
Hyundai
Umsatzpremium
0
0
1
0
0
0
0
1*
Seat
Bekanntheit
0,28
0
0,72
1*
0
0
0
0
Skoda
Bekanntheit
0,26
0
0,74
1*
0
0
0
0
Inputs/Outputs mit signifikant von Null verschiedenen Gewichten (> 0,1, fett gedruckt) lassen sich als Effizienztreiber (Stärken) interpretieren. Die fokussierte „Strategie“ wird nach dem Output mit dem höchsten Gewicht (*) bezeichnet. Niedrige Gewichte ( 0,1) zeigen entsprechend Schwächen an, die bei den ineffizienten Marken als Quellen der Ineffizienz zu interpretieren sind. Lesebeispiel für Rover: Die Ineffizienz ist hauptsächlich dadurch verursacht, dass Rover hohe Werbekosten aufwendet und dafür nur geringe Werte bei Bekanntheit, Sympathie und Image erreicht.
Tabelle 35: Input- und Output-Gewichte der Marken
269 Die Strategie von Daewoo zeichnet sich dadurch aus, Werbeausgaben sehr effizient in Markenbekanntheit zu transformieren, weshalb diese beiden Parameter als wesentliche Effizienztreiber für die Marke anzusehen sind. Dies ist konsistent mit Berichten in der Wirtschaftspresse, in denen der Europa-Auftritt von Daewoo positiv beurteilt wird. So ist es der Newcomer-Marke, die erst 1995 in Europa eingeführt wurde, gelungen, sofort einen Bekanntheitsgrad von über 70 % zu erzielen. Dies wird auf eine aufmerksamkeitsstarke und kognitiv involvierende Werbekampagne zurückgeführt („Daewoo und Du"), in der zunächst lediglich das markante Markenlogo (es symbolisiert die sieben Weltmeere und die Kontinente) gezeigt wurde, der Markenname jedoch nirgendwo auftauchte. Dieses Geheimnis wurde dann erst nach einigen Wochen der Schaltung „gelüftet“, um Neugier auf den Markennamen zu erwecken, dessen deutsche Übersetzung "allumfassendes Universum" lautet.705 Hier ist zu beachten, dass die Markenbekanntheit von inzwischen 79% zwar weit hinter der etablierter deutscher PKW-Marken zurückliegt, dieser Quote jedoch auch die geringsten Werbeinvestitionen im untersuchten Markt gegenüberstehen (1,98 Mio. Euro im Vergleich zu 132,24 Mio., die von der Marke VW durchschnittlich im Jahr aufgewendet werden). Bezogen auf die Werbeausgaben erreicht Daewoo somit eine maximale relative Markenbekanntheit im Markt. Demgegenüber setzen Mitsubishi, Porsche und Volvo ein Vielfaches der Markenaufwendungen von Daewoo ein, erzielen dafür aber auch eine wesentlich höhere Markenbekanntheit. Diese Marken erzielen somit ebenso wie Daewoo ein optimales Output-Input-Verhältnis. Sie verfolgen also bzgl. der Gewichtungen der Input- und Output-Parameter (d.h. der Parameter-Kombinationen) eine ganz ähnliche Strategie wie Daewoo, jedoch auf einem völlig anderen Skalenniveau. Hiermit wird deutlich, dass es für verschiedene Ausgabenniveaus effiziente Beobachtungen geben kann und daher - hier für Werbung betrachtet - sowohl eine Sparstrategie als auch eine „Big Spender“-Strategie erfolgversprechend sein kann, wenn entsprechende Outputwirkungen realisiert werden. Gelegentlich wird daher auch von lokal optimalen Strategien bzw. Einheiten gesprochen, die hier aufgrund der Anwendung eines DEAModells mit variablen Skalenerträgen identifizierbar sind. Für die Gruppe der Marken Porsche, Daewoo, Mitsubishi und Volvo stellen die Parameter Werbeausgaben und Markenbekanntheit die Stärken dar und lassen sich somit für diese Gruppe als die kritischen Erfolgsfaktoren interpretieren. Um die absolute Produktivität unabhängig von der hohen relativen Effizienz weiter zu steigern, sollten Porsche & Co. v.a. an den beiden genannten Parametern ansetzen. In Tabelle 35 stellen für jede Marke die Parameter mit fettgedruckten Gewichten die Effizienztreiber dar. Auch für die ineffizienten Marken im unteren Teil der Tabelle zei705
Vgl. Pfannmüller (2004).
270 gen hohe Gewichte jene Parameter an, die noch relative Stärken darstellen und ohne die der Effizienzwert noch geringer ausgefallen wäre. Jene Parameter mit niedrigen bzw. Null-Gewichten stellen analog die Ursachen der festgestellten Ineffizienz dar, die als Misserfolgsfaktoren zu interpretieren sind und die primären Stellhebel zur Effizienzsteigerung darstellen. Anhand der Gewichtungsmuster der ineffizienten Marken ist auch zu erkennen, dass einige Best-Practice-Strategien, d.h. bestimmte Priorisierungen von Parametern auf der Input- bzw. Outputseite, auch von ineffizienten Marken ähnlich verfolgt werden, deren Umsetzung jedoch weniger erfolgreich ist. Auch Fiat, Opel, Ford, Alfa Romeo und Nissan verfolgen primär eine „Bekanntheitsstrategie“ (hohe Gewichte bei Markenbekanntheit), erreichen dies aber v.a. durch eine effiziente Qualitätspolitik, wie die hohen Gewichte beim Parameter Qualitätskosten belegen. Ein anderes Markenführungskonzept verfolgen die Marken Volkswagen, Land Rover, Audi und BMW, die sich auf die Schaffung einer starken Markensympathie fokussieren und ein vorteilhaftes Verhältnis von Werbe- bzw. Qualitätskosten und Markensympathie aufweisen. Jaguar, Mercedes und Renault wiederum zeichnen sich dadurch aus, Distributions- und Qualitätsinvestitionen besonders produktiv in Markentreue zu transformieren. Aus diesem Grund erreichen die Marken ein hohes Maß an Loyalität mit einem vergleichsweise dazu geringen Aufwand für Distribution und Qualität, wodurch die hohen Gewichte bei diesen Größen zu Stande kommen. Zuletzt seien die Marken Subaru, Chrysler und Toyota genannt, die durch den produktiven Einsatz von Werbung und Qualitätspolitik v.a. ein hohes Umsatzpremium abzuschöpfen vermögen. So zeigen die Daten, dass Toyota in der Lage ist, trotz eines durchschnittlichen Markenpremiums von etwa 15% eine im Vergleich zu anderen Marken exorbitante Absatzmenge zu erzielen.706 Durch das Vorliegen eines Preis- und Mengenpremiums konnte die Marke Toyota in 2003 ein Umsatzpremium von 16,23 Mrd. Euro generieren, welches die Effizienz vornehmlich begründet. Betrachtet man die Parameter in Tabelle 35 spaltenweise über alle Marken, so erhält man ein Bild von den generellen Erfolgsfaktoren im betrachteten Markt. So fällt auf, dass bis auf BMW und Kia keine Marke beim Output „Image“ ein hohes Gewicht und somit eine relative Stärke aufweist.707 Dies lässt darauf schließen, dass beim Markenimage insgesamt noch starke Verbesserungspotenziale bestehen und dieser Parameter im Markt einen insgesamt geringen Erfolgsbeitrag leistet. Sie sind eher als 706
707
Toyota Motor Corp. hat im Jahr 2003 global 6,78 Mio. Autos verkauft und so Ford Motor vom zweiten Platz gedrängt; nur General Motors erreichte einen höheren Absatz und bleibt damit Branchenführer; vgl. o.V. (2004b). Das hohe Gewicht bei Image für Kia ist damit zu erklären, dass Kia bei diesem Output noch vergleichsweise günstig abschneidet und hier „nur“ an siebtletzter Position rangiert, während Kia bei allen anderen Outputgrößen deutlich schlechter abschneidet und bis auf Markentreue auf dem letzten Platz liegt.
271 Ursache der beobachteten Gesamtineffizienz im Markt anzusehen. In abgeschwächter Form gilt dies auch für Sympathie und Markentreue. In Bezug auf Bekanntheit schneidet demgegenüber weit über die Hälfte aller Marken vorteilhaft ab, weshalb dieser Parameter als genereller Erfolgsfaktor in der untersuchten Branche anzusehen ist. Es ist hier jedoch zu beachten, dass Gewichte von Null bei Outputs nicht implizieren, dass von diesen im optimalen Fall Null Einheiten zu produzieren und somit Null Einheiten der Inputfaktoren einzusetzen sind.708 Vielmehr sind diese Outputgrößen bzw. deren erreichtes Level als eine Art notwendige Bedingungen - in der Sprache der Herzbergschen Zwei-Faktoren-Theorie als Hygienefaktoren709 - zu betrachten, mit denen die betreffenden Marken im Vergleich zu Wettbewerbsmarken keine Differenzierung erreichen können. Erhöhungen dieser Outputs lösen daher vermutlich nur unterproportionale Effizienzsteigerungen aus. Daher sollten sich Unternehmen bei diesen Outputs nur auf die Erzielung einer bestimmten Mindestausprägung beschränken, was die Vorgabe eines bestimmten minimalen Ressourceneinsatzes impliziert.710 Analog ist bei den in hohen Ausprägungen vorliegenden und daher mit hohen Gewichten versehenen Outputs von überproportionalen Effizienzeffekten auszugehen. Analog sind niedrige Input-Gewichte nicht so zu verstehen, dass von den zugehörigen Inputs Null Einheiten einzusetzen sind. Die Gewichte sind daher nicht im Sinne einer linearen Wertfunktion zu interpretieren. Der Interpretation von Dyson/Thanassoulis folgend, zeigt jedes Output-Gewicht die Menge des Inputs an, die verbraucht wird, um eine Einheit des Outputs zu erzeugen. Auch wenn diese Interpretation streng genommen nur für den Ein-Input-Fall gilt, so ermöglicht sie Einschätzungen darüber, welche Outputs (Wirkungen) bei einer spezifischen Marke durch die jeweils eingesetzten Ressourcen vorwiegend erzielt werden.711 So zeigen die geringen Gewichte für Sympathie, Image und Markentreue bei Mitsubishi an, dass die eingesetzten Ressourcen wenig zur Erzeugung dieser Outputs genutzt werden, da für die Produktion dieser Outputs keine bzw. geringe Mengen der Inputs eingesetzt werden. Stattdessen werden die Ressourcen vorwiegend für die Erzeugung von Bekanntheit (und z. T. Umsatzpremium) verbraucht, weshalb
708
709 710 711
„Given the economic interpretation of the weights, …low weights on some outputs may represent unrealistically low amounts of resource to achieve a unit of output. …[It] necessitates the determination of the minimum resource necessary to support a unit of each output, however efficiently that output may be produced.” Dyson/Thanassoulis (1988), S. 566. Vgl. Matzler et al. (2005), S. 305. Vgl. Dyson/Thanassoulis (1988), S. 566; Matzler et al. (2005), S. 311 f. Vgl. Dyson/Thanassoulis (1988), S. 566. Die Autoren fassen im Mehr-Input-Fall die Inputs gedanklich zu einem „compound input“ zusammen und interpretieren die Gewichte der Outputs so wie im Ein-Input-Fall. Die Output-Gewichte zeigen dann an, wie viele Einheiten des compound input die DMU für eine Einheit Output verbraucht.
272 Mitsubishi mit den eingesetzten Inputs offensichtlich primär die Outputs Bekanntheit und Umsatzpremium steigert. Insgesamt zeigen die Gewichtungsmuster sehr deutlich, dass sich fast alle effizienten Marken auf eine Zielgröße fokussieren und hierzu auf der Inputseite jeweils andere Instrumente wirkungsvoll einsetzen. Dies stützt die Hypothese, wonach die betrachteten Markenführungsinstrumente in Bezug auf jeweils unterschiedliche Zielgrößen eine hohe Wirkungseffizienz aufweisen (Werbung und Qualität primär für Bekanntheit, Sympathie und Umsatzpremium; Distribution primär für Markentreue). Das Markenmanagement vermag auf Basis der ermittelten Gewichtungsmuster je nach Vorgabe der primären Markenziele die jeweils adäquaten Instrumente zu priorisieren.
2.4.3.
Analyse der Overspendings ineffizienter Marken
Der Effizienzwerte jener Marken, die nicht auf dem effizienten Rand liegen, zeigen an, dass mit dem eingesetzten Input zu wenig Output bzw. der erzielte Output mit zu viel Input erzeugt wurde. Geht man davon aus, dass vom Markenmanagement nur die Inputseite unmittelbar beeinflusst werden kann, ist die Ineffizienz auf Overspendings bzgl. der Instrumente zurückzuführen. Zunehmend werden von Markenmanagern solche Overspendings beklagt und als Ursachen für ineffiziente Markenführung angesehen.712 Im Werbebereich ist der Nachweis und die Quantifizierung von Overspendings schon seit längerer Zeit Gegenstand der Forschung.713 „It has long been noted that advertising practice might not be as efficient as it has been theorized. … High level of advertising inefficiency plagues businesses and frustrates managers.”714 Im Markenmanagement werden Ineffizienzen zumeist jedoch nur „intuitiv gefühlt und vermutet“, ohne sie genau beziffern und den einzelnen Markenführungsinstrumenten exakt zurechnen zu können. Trotz der hohen praktischen Relevanz des Themas und der erheblichen Auswirkungen auf die Unternehmensprofitabilität und das zukünftige Wachstum gibt es bisher keine Studie, die die Messung und den Vergleich von markenbezogenen Overspendings zum Gegenstand hat. Die Verwendung eines inputorientierten DEA-Modells erlaubt es nun, vorliegende Overspendings in Bezug auf die eingesetzten Instrumente zu quantifizieren. Diese reflektieren letztlich Fehlallokationen des Markenbudgets. Diese Erkenntnisse stellen ein höchst praxisrelevantes Ergebnis einer DEA-basierten Untersuchung der Markeneffizienz dar. Aus dem DEA-Modell ergeben sich die Overspendings für jedes Instrument als der Teil der Aufwendungen, der im Vergleich zur effizienten Referenzmarke zu hoch aus712 713 714
Vgl. Gelbert et al. (2003), S. 51; Stöckle (2004), S. 67. Vgl. Aaker/Carman (1982); Tull et al. (1986). Luo/Donthu (2005), S. 28.
273 fällt. Hierbei sei nochmals darauf hingewiesen, dass die Referenzmarken nicht hinsichtlich der Ähnlichkeit der PKW-Modelle (Wagenklasse, Wagentyp etc). bestimmt werden, sondern nach der Ähnlichkeit der Markenführung, die sich in spezifischen Input-Output-Strukturen (Mixes) manifestiert. Wenn als Benchmark für Kia also die Marke Land Rover zugewiesen wird, dann heißt dies, dass der von Kia eingesetzte Instrumenten-Mix dem von Land Rover entspricht, die Umsetzung dieser Markenführungsstrategie bei Kia jedoch ineffizienter erfolgt als bei Land Rover. Für die Quantifizierung der Ausgaben-Ineffizienzen müssen zwei von der DEA ermittelte Kennzahlen berücksichtigt werden, was am Beispiel der Marke Kia verdeutlicht werden soll. Zuerst zeigt der Effizienzwert von 76% an, dass alle Inputs proportional auf das Niveau von 76% gesenkt werden müssten, um die Position der Referenzmarke Land Rover zu erreichen. Bei der Marke Kia ist somit bzgl. aller drei betrachteten Markeninstrumente ein Overspending von mindestens 24% zu beobachten, d.h. um diesen Teil könnten alle Ausgaben bei effizientem Instrumenteneinsatz gesenkt werden, ohne den Output verringern zu müssen. Im zweiten Schritt sind die Slacks zu betrachten, die darüber Auskunft geben, bei welchen Instrumenten zusätzliche, überproportionale Kostensenkungspotenziale bestehen. Die Slacks sind sowohl absolut als auch relativ in Tabelle 36 angegeben. Wie diese zeigt, liegen für Kia positive Slacks für die Instrumente Werbung und Distribution vor. Sie geben an, dass bei den Werbekosten ein zusätzliches Overspending von 8,13 Mio. EUR (44%) und bei den Distributionskosten von 7,15 Mio. EUR (29,7%) zu beobachten ist. Entsprechend müssen die Slack-Werte zum proportionalen Reduktionsfaktor addiert werden, um das gesamte Overspending zu bestimmen. Bei den Qualitätskosten ergibt sich folglich ein Overspending genau in Höhe des proportionalen Faktors (24%), da kein Slack vorliegt. Bzgl. der Werbekosten betragen die Zuviel-Ausgaben 68% (24% plus Slack von 44%), bei den Distributionskosten 53,7%. Für alle Marken, bei denen keine Slacks vorliegen (Honda, Saab), lassen sich die Overspendings für alle Instrumente direkt aus dem Effizienzwert ablesen. Da die Slacks zusätzliche Kostensenkungspotenziale anzeigen, geben diese Auskunft darüber, welche Kostenpositionen vorrangig kontrolliert werden müssen, um die festgestellten Ineffizienzen zu beseitigen. Sie erlauben damit eine genaue Priorisierung der Instrumente, wobei jener Input mit dem höchsten Slack den kritischen Faktor darstellt. Diese Informationen liefern wichtige Implikationen für die Budgetierung. So sollten Ressourcen tendenziell auf jene Instrumente alloziert werden, die noch vergleichsweise produktiv eingesetzt werden, bei denen also geringe Overspendings zu beobachten sind. Damit wird auch deutlich, dass die Höhe der Slacks entsprechend negativ mit den Gewichtungsfaktoren korreliert. Parameter mit positiven Slacks stellen die am ungünstigsten ausgeprägten Parameter dar und erhalten demnach ent-
274 sprechend geringe Gewichte, bei nicht gewichtsrestringierten DEA-Modellen meist Null-Gewichte. Bei Kia werden deshalb für Werbung und Distribution Gewichte von Null ausgewiesen. Da für Honda bei keinem Input Slacks vorliegen, erhalten alle Inputs Gewichte von größer Null. Seat hingegen weist bei Distributionskosten Slacks auf und erhält daher nur für Werbung und Qualität positive Gewichte. Die Overspendings für die Marke Seat, die mit einem Score von 63,77% in Bezug auf die Markenführungseffizienz das Schlusslicht im Ranking darstellt, liegen entsprechend bei 36,23% für Werbe- und Qualitätskosten und 48,33% für Distributionskosten. Wie Tabelle 36 zeigt, liegen auch bei einigen Outputs Slacks vor. Diese geben an, dass neben den notwenigen Reduktionen auf der Ausgabenseite gleichzeitig noch Erhöhungen bei den jeweiligen Outputs notwendig sind, um eine effiziente Position zu erreichen. Aus den Effizienzwerten und den Slacks lassen sich die gesamten Overspendings bezüglich der drei Kategorien von Markenausgaben bestimmen, die in absoluter Höhe in Tabelle 37 ausgewiesen sind. Marke
Werbekosten
Distributionskosten
Qualitätskosten
Bekanntheit
Sympathie
Image
Markentreue
Citroen
38,16 (46,8%)
0
0
0
3,77
0
1,67
0
0
1,73 (8,5%)
0
0,85
2,77
0,01
0,63
0,09
Daihatsu Honda
Umsatzpremium
0
0
0
0
12,28
0,52
4,54
0
1,92 (15,7%)
5,6 (21,5%)
0
3,2
10,26
0,02
2,32
0
8,13 (44%)
7,15 (29,7%)
0
6,4
12
0,02
2,71
0,35
Lancia
4,24 (36,2%)
0
0
4,13
11,98
0,13
3,41
0,73
Mazda
0
6,06 (17,4%)
0
0
0
0,1
15,61
0
Peugeot
31,54 (36,6%)
0
0
0
0
0,06
0,99
0,56
Rover
5,09 (44,9%)
0
0
23,57
12,81
0,12
3,54
0,44
Hyundai Kia
Saab
0
0
0
4,82
11,07
0,17
4,61
0,81
Seat
0
2,55 (12,1%)
0
0
6,65
0,1
1,78
0,31
Skoda
0
2,95 (13,1%)
0
0
5
0,07
1,47
0,51
Smart
5,48 (46,2%)
0
0
1,36
12,53
0,29
3,81
1,16
Suzuki
0
5,53 (23%)
0
0
9,98
0,05
2,28
0,3
Tabelle 36: Slacks der ineffizienten Marken
275 Am Beispiel von Kia zeigt Tabelle 37, dass hier Ausgabeneinsparungen von 12,5 Mio. Euro allein für Werbung erreichbar wären, wenn Kia Werbemaßnahmen so effizient durchführen würde wie Land Rover. Im Detail wäre zu prüfen, wie die effizientere Exekution bei Land Rover zustande kommt, etwa durch bessere Mediaselektion und daraus resultierender Zielgruppenansprache und geringerer Streuverluste. Insgesamt zeigen die Ergebnisse, dass die höchsten Ineffizienzen der Markenführung im Bereich der Werbung bestehen. Im Durchschnitt über alle Marken ist ein Werbe-Overspending von 17% der Werbeausgaben bzw. 6,7 Mio. Euro zu beobachten. In der Summe belaufen sich die Overspendings der Werbung auf 157 Mio. Euro. Bei den Distributionsausgaben liegt die durchschnittliche Ineffizienz im Datensatz bei 12% bzw. 3,2 Mio. Euro. Die geringsten Ineffizienzen liegen mit einem Mittelwert von 9% bei den Qualitätskosten vor. Die Ergebnisse belegen damit, dass die Vermutung, wonach ein erheblicher Teil der Werbeausgaben verschwendet wird, zutrifft. Zwar werden nicht 50% zum Fenster hinausgeworfen, wie Henry Ford mit seinem vielfach zitierten Ausspruch in den 20er Jahren befürchtete, dennoch sind die verschwendeten Markenwerbeausgaben in der Automobilbranche mit 17% beträchtlich. Marke Citroen Daihatsu Honda Hyundai Kia Lancia Mazda Peugeot Rover Saab Seat Skoda Smart Suzuki
Overspendings Werbung in Mio. Euro 49,13 0,88 0,6 6,3 12,53 5,85 10,02 40,57 5,52 1,43 6,98 7,75 6,36 3,11
Overspendings Distribution in Mio. Euro 2,61 6,76 0,46 14,91 12,9 1,28 14,04 2,44 0,32 1,47 10,2 12,04 0,42 12,78
Overspendings Qualität 0,22 0,4 0,06 0,57 0,33 0,21 0,47 0,19 0,05 0,4 0,72 0,87 0,18 0,46
Tabelle 37: Overspendings der ineffizienten Marken
3.
Studie zur Analyse der Vertriebseffizienz
3.1.
Untersuchungsgegenstand und Problemstellungen
In diesem Kapitel wird die Aussagekraft der DEA für das Vertriebscontrolling demonstriert. Als Untersuchungsgegenstand dient der nationale Vertriebsaußendienst
275 Am Beispiel von Kia zeigt Tabelle 37, dass hier Ausgabeneinsparungen von 12,5 Mio. Euro allein für Werbung erreichbar wären, wenn Kia Werbemaßnahmen so effizient durchführen würde wie Land Rover. Im Detail wäre zu prüfen, wie die effizientere Exekution bei Land Rover zustande kommt, etwa durch bessere Mediaselektion und daraus resultierender Zielgruppenansprache und geringerer Streuverluste. Insgesamt zeigen die Ergebnisse, dass die höchsten Ineffizienzen der Markenführung im Bereich der Werbung bestehen. Im Durchschnitt über alle Marken ist ein Werbe-Overspending von 17% der Werbeausgaben bzw. 6,7 Mio. Euro zu beobachten. In der Summe belaufen sich die Overspendings der Werbung auf 157 Mio. Euro. Bei den Distributionsausgaben liegt die durchschnittliche Ineffizienz im Datensatz bei 12% bzw. 3,2 Mio. Euro. Die geringsten Ineffizienzen liegen mit einem Mittelwert von 9% bei den Qualitätskosten vor. Die Ergebnisse belegen damit, dass die Vermutung, wonach ein erheblicher Teil der Werbeausgaben verschwendet wird, zutrifft. Zwar werden nicht 50% zum Fenster hinausgeworfen, wie Henry Ford mit seinem vielfach zitierten Ausspruch in den 20er Jahren befürchtete, dennoch sind die verschwendeten Markenwerbeausgaben in der Automobilbranche mit 17% beträchtlich. Marke Citroen Daihatsu Honda Hyundai Kia Lancia Mazda Peugeot Rover Saab Seat Skoda Smart Suzuki
Overspendings Werbung in Mio. Euro 49,13 0,88 0,6 6,3 12,53 5,85 10,02 40,57 5,52 1,43 6,98 7,75 6,36 3,11
Overspendings Distribution in Mio. Euro 2,61 6,76 0,46 14,91 12,9 1,28 14,04 2,44 0,32 1,47 10,2 12,04 0,42 12,78
Overspendings Qualität 0,22 0,4 0,06 0,57 0,33 0,21 0,47 0,19 0,05 0,4 0,72 0,87 0,18 0,46
Tabelle 37: Overspendings der ineffizienten Marken
3.
Studie zur Analyse der Vertriebseffizienz
3.1.
Untersuchungsgegenstand und Problemstellungen
In diesem Kapitel wird die Aussagekraft der DEA für das Vertriebscontrolling demonstriert. Als Untersuchungsgegenstand dient der nationale Vertriebsaußendienst
276 eines weltweit führenden Pharmaunternehmens mit Spezialisierung auf Produkte zur Diagnose und Kontrolle von Diabetes. Der Außendienst ist regional organisiert und gliedert sich in 19 Teams, welche in unterschiedlich strukturierten Gebieten operieren. Das Ziel der nachfolgenden Untersuchung besteht darin, die Effizienz der betrachteten Teams vergleichend zu analysieren und Empfehlungen zu deren Erhöhung zu generieren. Die Ergebnisauswertung erfolgt dabei auf zwei Ebenen: Auf Gesamtebene ergibt sich zunächst die Einteilung in effiziente und nicht effiziente Untersuchungseinheiten. Den in Abschnitt D-2.5 identifizierten Forschungslücken folgend, liegt ein zentrales Ziel der Studie darin, operative Ineffizienzen, die direkt durch das lokale Teammanagement zu verantworten sind, von strategischen Größenineffizienzen zu separieren. Letztere können nur vom zentralen Vertriebsmanagement beeinflusst werden. Weiterhin werden allgemeine Effizienztreiber für den betrachteten Vertriebsbereich ermittelt. Auf der Ebene der einzelnen Teams werden dann Aussagen zu den individuellen Stärken und Schwächen getroffen, indem die Benchmarkteams für die ineffizienten Einheiten ermittelt werden. Daraus können dann Zielvorgaben für die Leistungsparameter sowie Handlungsempfehlungen zur Erreichung des effizienten Randes abgeleitet werden. Unter Verwendung der Benchmarking-Klassifizierungsdimensionen aus Abschnitt C1.3 lässt sich die nachfolgende Studie wie folgt charakterisieren: 1) Vergleichspartner: unternehmensintern; national 2) Vergleichsobjekte: Organisationseinheiten (Vertriebsteams) 3) Vergleichsmaßstab: Output-Input-Relation 4) Vergleichshorizont: Geschäftsjahr 2003 (Daten aus dem Vertriebscontrolling) 5) Vergleichsziel: Best Practice
3.2.
Auswahl der Inputs und Outputs und Datengrundlage
Als wesentliche Einflussfaktoren der Vertriebsperformance wurden in zahlreichen Gesprächsrunden mit Mitarbeitern verschiedener Hierarchieebenen des betrachteten Unternehmens (Außendienstmitarbeiter, Gebietsleiter, Produktmanager) fünf InputParameter, von denen zwei als nicht diskretionär eingestuft wurden, und zwei Output-Parameter identifiziert. Zu den Input-Parametern zählt zunächst die Teamgröße im Sinne der Arbeitszeitäquivalente für eingesetzte Außendienstmitarbeiter im Vertriebsgebiet. Da diese Mitarbeiter ihre Arbeitszeit, die sie für Besuche bei Altkunden bzw. potenziellen Neu-
277 kunden und somit nicht für administrative Tätigkeiten verbringen, frei wählen können, wurde des Weiteren der Faktor Besuchstage als Instrument zur Erreichung von Geschäftsabschlüssen hinzugezogen. Darüber hinaus wird der Faktor Werbemittel als wesentlich angesehen, der durch die Stückzahl der als Incentives an Kunden (Apotheken, niedergelassene Ärzte, Kliniken) kostenlos oder verbilligt abgegebenen Produkte gemessen wird. Weitere potenzielle Inputs wie die IT-Ausstattung waren über alle Teams sehr ähnlich ausgeprägt. Da diese auch keine „Engpassfaktoren“ darstellen, wurden diese nicht berücksichtigt. Als nicht diskretionäre Inputs, die durch die Entscheidungsträger im Vertrieb nicht beeinflussbar, aber dennoch in hohem Maße performancerelevant sind, werden das Marktpotenzial und die Gebietsstruktur herangezogen. Das Marktpotenzial wird durch den Insulinumsatz in Tsd. Euro im Vertriebsgebiet operationalisiert. Die Wahrscheinlichkeit des Bezugs der Produkte des Unternehmens korreliert in hohem Grade mit dem Insulinumsatz, der ein Indikator für die Anzahl von Diabetikern und damit potenzieller Nachfrager im Gebiet ist. Mit der Berücksichtigung der Gebietsstruktur, die durch die Einwohnerdichte (Einwohner pro qkm) erfasst wird, wird der Annahme Rechnung getragen, dass der Aufwand eines Außendienstmitarbeiters zur Erreichung der Kunden davon abhängt, ob er überwiegend in städtischen oder ländlichen Gebieten tätig ist. Die Auswirkung einer höheren Bevölkerungsdichte auf die Performance wird aufgrund der damit verbundenen höheren Zahl potenzieller Nachfrager bzw. einer höheren Kundenkonzentration als positiv vermutet.715 Stadtgebiete sind auch deshalb als vorteilhaft zu vermuten, weil hier eine höhere Flexibilität bei der Tourenplanung gegeben ist, da einfacher eine Tour „eingeschoben“ werden kann. Somit kann bei Engpässen schneller und zuverlässiger geliefert und eine hohe Verfügbarkeit mit entsprechend positiven Umsatzeffekten sichergestellt werden. Andere Umfeldfaktoren (wie Erstattungsregelungen der Krankenkassen, Wettbewerbsintensität, Anteil alternativer Vertriebskanäle wie Großhändler, Internethandel etc. am Gesamtmarktumsatz) waren nach Angaben des Managements in allen Gebieten sehr ähnlich ausgeprägt und wurden daher nicht berücksichtigt. Durch die zwei genannten nicht kontrollierbaren Inputs werden, im Gegensatz zu den meisten bisherigen Studien, ökonomisch-demografische Unterschiede der Außendienstbezirke, die deren Attraktivität determinieren, ausreichend berücksichtigt. Auf der Output-Seite sind die zwei wesentlichen Zielgrößen „Umsatzgenerierung“ und „Neukundengewinnung“ abzubilden. Zum einen wird der absolute realisierte Umsatz des Vertriebsteams im jeweiligen Gebiet herangezogen, der als ökonomische Spitzenkennzahl in vielen Studien als alleiniger Vertriebsoutput herangezogen
715
Vgl. die Befunde von Pilling/Donthu/Henson (1999), S. 35 ff.
278 wird.716 Auf die Verwendung von Gewinn oder Deckungsbeitrag als Output wird verzichtet, da es bei Outputvariablen mit Ergebnischarakter problematisch ist, dass diese prinzipiell von Inputvariablen überschwemmt werden, die mit ihnen negativ korreliert sind, d.h. der Gewinn setzt sich aus dem Umsatz und den Kosten zusammen.717 Eine solche Verknüpfung von Input und Output in einer Variablen sollte jedoch vermieden werden; auch können Gewinn und Deckungsbeitrag negativ sein, was eine Verletzung der Annahmen der DEA darstellen würde.718 Der Aspekt der Profitabilität der Teams wird insofern beachtet, als Kostenaspekte indirekt durch die verwendeten Inputs repräsentiert werden. Eine alleinige Betrachtung des Umsatzes würde einen zu starken Schwerpunkt auf die Bearbeitung von Kunden legen, die im Kunden- bzw. Beziehungslebenszyklus schon weiter fortgeschritten sind und die Gewinnung von Neukunden, die noch keinen oder einen geringen Umsatz erbringen, vernachlässigen. Daher muss zusätzlich eine Größe erfasst werden, die die Leistungsfähigkeit bzgl. der Neukundengewinnung reflektiert.719 Dies wird durch den Anteil der Apotheken am Gesamtumsatz im Vertriebsgebiet (Apo-Anteil in %) ausgedrückt, Apotheken haben hier präferenzbildende Funktion und beeinflussen aufgrund hoher Beratungskompetenz und ihrer Experten- und Meinungsführerrolle wesentlich die Initialentscheidung der Endabnehmer (Patienten) für ein Gerät und somit die Erstkaufabsicht. Das gewählte Gerät determiniert dann den Kauf der Teststreifen, da diese nur mit dem Gerät des jeweiligen Anbieters kompatibel sind. Daher ist davon auszugehen, dass die Wiederkaufentscheidungen primär durch eine Systembindung (lock in) und kaum mehr durch die Apotheken bestimmt sind. Daher sind Apotheken im betrachteten Markt v.a. Vehikel zur Kundenakquisition; der Apothekenanteil ist damit als ein valider Indikator für die Zahl der neu gewonnenen Kunden anzusehen. Das Ziel besteht darin, die Vertriebsaktivitäten (Besuche, Incentivevergaben) so zu steuern, dass möglichst viele Apotheken die Geräte des Herstellers führen und als beste Alternative an potentielle Neukunden empfehlen. Vertriebsmannschaften kommt somit eine duale Rolle zu: Sie müssen bei ihrer Besuchsplanung die Umsatzpotenzialausschöpfung bei bestehenden Kunden im Blick haben und gleichzeitig auch in die Gewinnung von „Prospects“ investieren. Auch in den Gesprächsrunden mit den Vertriebsverantwortlichen ergaben sich die beiden Kennzahlen Umsatz und Apothekenanteil als die beiden zentralen Zielgrößen, anhand derer die Vertriebsteams bewertet werden. Die Auswahl der Outputgrößen orientiert sich somit an den Zielvorstellungen des betrachteten Unternehmens, die als 716
717 718 719
Vgl. Athanassopoulos (1998a); Athanassopoulos (2004), S. 461 ff.; Doutt (1984); Paradi/Vela/Yang (2004). Vgl. Scheel (2000), S. 18. Vgl. Donthu/Yoo (1998), S. 95. Vgl. Athanassopoulos (2004), S. 463 f.
279 die wesentliche Basis der Festlegung der Outputvariablen anzusehen ist. Der Marktanteil als weiterer potenzieller Output wurde nicht einbezogen, da dieser kaum zwischen den Gebieten variiert und sich bei allen Teams nah an der Marke 50% bewegt. Die Analyse basiert auf den Daten eines Geschäftsjahres, deren deskriptiv statistische Eigenschaften in Tabelle 38 zusammengefasst sind. Insbesondere die Gegenüberstellung von Mitarbeiterzahl und Umsatz verdeutlicht, dass im Vertrieb die Personalkosten den wesentlichen Kostentreiber darstellen und daher eine Effizienzanalyse gerade hier notwendig erscheint. Die gewählten Variablen entsprechen den formalen Anforderungen der DEA. So ist die Anzahl an Variablen nicht zu groß, da die Daumenregel für die Mindestzahl an DMUs720 nahezu eingehalten wird: So stehen den durch diese Regel geforderten 2 * (Inputzahl * Outputzahl) = 2 * (5 * 2) = 20 DMUs 19 gegenüber. Zudem sind alle Input-Output-Korrelationen signifikant positiv. Diskretionäre Inputs Teamgröße
Nicht diskretionäre Inputs
Werbemittel in Stück
Besuchstage
Marktpoten- Gebietsstrukzial in Tsd. tur (Einwohner Euro pro qkm) 1.512 53
Outputs Umsatz in Tsd. Euro
Apo Anteil in %
179
31,95
Min
1,3
7.187
147
Max
4
32.226
430
4.769,1
687
1.094
76,05
Mittelwert
2,43
17.146,79
248,84
2.855,81
223,53
589,63
61,87
Median
2,43
17.147
231
2.853,9
169
542
65,61
STABW
0,64
5.991,64
66,94
941,68
165,15
212,65
12,06
Tabelle 38: Deskriptive Statistik der Ausgangsdaten
3.3.
Auswahl der geeigneten DEA-Spezifikation
Um eine Dekomposition der Gesamtineffizienz in technische und Skalenineffizienz vornehmen zu können, kommt das DEA-Grundmodell mit konstanten Skalenerträgen (CCR) und das erweiterte Modell mit variablen Skalenerträgen (BCC) zum Einsatz. Anhand des BCC-Modells lassen sich das Ausmaß der operativen Ineffizienzen der Teams sowie deren generelle Ursachen identifizieren. Ein Vergleich der Ergebnisse beider Modelle erlaubt anschließend das Ausmaß der durch suboptimale Teamgrößen bedingten Ineffizienz zu ermitteln. Auch lässt sich für jedes ineffiziente Team feststellen, in welchem Skalenertragsbereich sich dieses bewegt. Daraus ergibt sich für jedes Team eine implizite Sales-Response-Funktion, die Aussagen darüber erlaubt, ob über- oder unterproportionale Umsatzsteigerungen bei Größenvariation, d.h. Variationen der Inputeinsätze, zu erwarten sind. Außerdem können auf Basis 720
Vgl. Dyckhoff/Gilles (2004), S. 767; Dyson et al. (2001), S. 248.
280 prognostischer Simulationsrechnungen die bei vollständiger Effizienz insgesamt möglichen Umsatzsteigerungen bestimmt werden. Diese lassen sich entsprechend ihrer operativen bzw. strategischen Natur aufspalten und den zuständigen Managementebenen zuordnen. So lässt sich erkennen, welcher Teil des Gesamtumsatzpotenzials nur bei Veränderung der Gebietsstruktur und folglich der Teamgrößen realisierbar ist und eine teamübergreifende Optimierung erfordert. Auf diese Weise erlaubt die DEA die Generierung von Planzahlen im Sinne von Umsatzzielen bzw. Vorgaben für Umsatzsteigerungen.721 Die Implikationen für die einzelnen Teams basieren auf dem BCC-Modell, um größenbedingte Effizienzunterschiede auszublenden und eine höhere Vergleichbarkeit zu gewährleisten. Dies ist erforderlich, da vermutlich nicht alle Teams dieselbe optimale Größe aufweisen und daraus resultierende Effizienzeffekte aus den Vorgaben für die Teams herauszurechnen sind. Zur Analyse der Effizienz der Ressourcenverwendung wird ein inputorientiertes Modell gewählt. Dessen Ergebnisse zeigen Einsparmöglichkeiten bei den Inputs als Stellhebel zur Effizienzverbesserung. Zur Identifizierung der Umsatzvorgaben und der Umsatzerhöhungspotenziale ist ein outputorientiertes DEA-Modell zu wählen, welches die Ineffizienz alternativ durch das „zu wenig“ an Outputs ausdrückt. Zum Abschluss der Untersuchung wird die Effizienz der Vertriebsteams auch auf Basis eines FDH-Modells analysiert und dessen Ergebnisse mit denen des BCC-DEAModells verglichen. Die Zugrundelegung einer nicht konvexen Technologie zur Schätzung des effizienten Randes und zur Bestimmung der Benchmarkteams trägt der Tatsache Rechnung, dass Vertriebsteams aus Personen bestehen und daher nicht beliebig teilbar und kombinierbar sind. Eine unter der Bedingung der NichtKonvexität gebildete Randfunktion weist nur reale Teams, d.h. ganzzahlige Lösungen als Benchmarks, aus. Es werden keine Bruchteile von effizienten Teams herangezogen und diese zu einem virtuellen Team verbunden.
3.4.
Auswertung der Ergebnisse
3.4.1.
Auswertung auf Gesamtebene
3.4.1.1. Überblick über effiziente und ineffiziente Teams Bisher existiert noch keine DEA-Studie für Vertriebsteams, die untersucht hat, auf welche Arten von Ineffizienzen eine festgestellte Gesamtineffizienz in welchem Umfang zurückzuführen ist. So ist es möglich, dass Teams trotz technischer Effizienz Skalenineffizienzen aufweisen (d.h. von der optimalen Größe abweichen) oder zu721
Vgl. Ball/Roberts/Thomas (1999), S. 136 f.; Homburg (2000), S. 583.
281 sätzlich zu bestehenden Skalenineffizienzen auch technisch ineffizient arbeiten. Die Beantwortung dieser Frage kann nur durch einen Vergleich von CCR- und BCCModell der DEA erfolgen. Wie bereits dargestellt, wird mit dem CCR-Modell eine Randfunktion mit konstanten Skalenerträgen ermittelt, während das BCC-Modell variable Skalenerträge zulässt und somit größenbedingte Ineffizienzen ausblendet. Die Unterscheidung in die beiden Effizienzarten erhöht die Aussagekraft einer Performancebewertung im Vertrieb erheblich. Technische Effizienz spiegelt die lokale Effizienz der Teams wider, die diese selbst beeinflussen können. Das Management eines einzelnen Teams kann jedoch dessen Größe und daraus resultierende Ineffizienzen in aller Regel nicht beeinflussen, da die Vertriebszentrale solche Entscheidungen trifft. Es erscheint daher sinnvoll, auf Ebene der einzelnen Teams das BCCModell zu verwenden und Größeneffekte auszublenden. Die Leistungsfähigkeit der Entscheidungen des Top Managements in Bezug auf die Teams sollte hingegen mittels des CCR-Modells untersucht werden. Alle als CCR-effizient ausgewiesenen Einheiten sind sowohl skalen- als auch technisch effizient, während die BCC-effizienten Einheiten zwar technisch effizient, nicht aber unbedingt skaleneffizient sind. Vertriebseinheiten weisen genau dann Skalenineffizienzen auf, wenn der CCR-Score kleiner als der BCC-Score ist. Der Quotient aus CCR- und BCC-Score indiziert demnach, zu wie viel % eine Einheit skaleneffizient ist. Falls größenbedingte Ineffizienzen aufgedeckt werden, ist des weiteren interessant, welcher Art diese Größenineffizienzen sind (d.h. ob die Vertriebseinheiten zu groß oder zu klein sind). Die Beantwortung dieser Frage hängt wiederum von der Art der Skalenertragseigenschaften ab. Ein Team ist zu groß (zu klein), wenn es im Bereich sinkender (steigender) Skalenerträge operiert. Diese Informationen sind wichtig, um möglichst realistische Aussagen über die Eigenschaften der zu Grunde liegenden Responsefunktion zu treffen. Da mit den verwendeten DEA-Modellen automatisch Annahmen über die Skalenerträge der ermittelten Responsefunktion verbunden sind, sollte überprüft werden, welche der Annahmen dem untersuchten Datensatz am besten entsprechen. Ob ein Team im Bereich sinkender oder steigender Skalenerträge operiert, lässt sich aus den λ -Werten des CCR-Modells ablesen, wie anhand der Abbildung 12 in Abschnitt C-2.2.2.1 demonstriert. Ist die Summe der errechneten λ kleiner 1, so heißt dies, dass das untersuchte Team nur einen Bruchteil der Größe des Referenzteams aufweist und somit zu klein ist. Es könnte seine Effizienz durch eine Erhöhung der Teamgröße steigern, woraus ersichtlich wird, dass das Team in einer Situation steigender Skalenerträge operiert. Demgegenüber weisen Teams mit einer λ -Summe von größer 1 ein Vielfaches der Größe des Benchmarkteams auf und könnten somit
282 durch eine Reduktion der Teamstärke effizienter werden.722 Solche Teams operieren folglich mit sinkenden Skalenerträgen. Nur Teams, die konstante Skalenerträge aufweisen befinden sich in der Region der most productive scale size und sind somit skaleneffizient ( δ =1). Sobald steigende oder fallende Skalenerträge vorliegen, kann ein Team nicht mehr skaleneffizient sein.723 Zunächst sei auf die Validität der ermittelten Effizienzwerte durch Betrachtung der Maverick-Werte eingegangen. Einige Teams weisen einen Indexwert auf, der den kritischen Wert von 1 deutlich überschreitet. Dies deutet auf gewisse Probleme bzgl. der Robustheit der jeweiligen Effizienzwerte hin. Team
Gesamteffizienz (CCRScore θ CCR )
Technische Effizienz (BCCBCC ) Score θ
Skaleneffizienz ( δ =
Grad der Skalenineffi-zienz (1− σ )
1
1
1
1
0
1 (konstant)
2
1
1
1
0
1 (konstant)
0,6
3
1
1
1
0
1 (konstant)
0,64
4
1
1
1
0
1 (konstant)
0,6
7
1
1
1
0
1 (konstant)
0,8
8
1
1
1
0
1 (konstant)
0,18
12
1
1
1
0
1 (konstant)
1,56
13
1
1
1
0
1 (konstant)
3,69
14
1
1
1
0
1 (konstant)
0,92
15
1
1
1
0
1 (konstant)
0,54
16
0,989
1
0,989
0,011
0,81 (steigend)
1,03
17
1
1
1
0
1 (konstant)
0,25
18
1
1
1
0
1 (konstant)
0,75
5
0,85
0,941
0,903
0,097
1,03 (fallend)
0,61
11
0,696
0,825
0,844
0,156
0,7 (steigend)
17,21
θ CCR / θ BCC )
CCR ¦ λj
MaverickIndex
(Skalenerträge) 0,54
19
0,757
0,78
0,971
0,029
0,94 (steigend)
0,9
6
0,697
0,709
0,983
0,017
0,97 (steigend)
3,83
10
0,443
0,634
0,699
0,301
0,56 (steigend)
0,95
9
0,501
0,544
0,92
0,08
0,79 (steigend)
8,76
Tabelle 39: Aufspaltung der Gesamteffizienz in technische und Skaleneffizienz
Die hohen Maverick-Indices sind durch die in Relation zur Zahl der Inputs und Outputs kleine Menge an DMUs erklärbar, die aber nicht weiter erhöht werden kann, da es sich bei der Untersuchung um eine Totalerhebung handelt. Es sind alle nationalen Vertriebsmannschaften des betrachteten Unternehmens enthalten. Zudem ist die Aussagekraft der Analyse nicht gefährdet, da der Index für die überwiegende Mehrzahl der DMUs unterhalb des Schwellenwertes bleibt. Insbesondere die effizienten 722
723
Die genannte Regel bzgl. der Lambda-Summen gilt nur für die inputorientierte Betrachtung, bei der die Inputs für gegebene Outputs minimiert werden; vgl. Cooper/Seiford/Tone (2000), S. 124. Vgl. Banker (1984), S. 37 ff.; Banker/Natarajan (2004), S. 304.
283 Einheiten, für die das „Maverick-Kriterium“ vor allem gilt, weisen bis auf zwei Ausnahmen keine Maverick-Werte über 1 auf. Anhand der ermittelten BCC-Effizienzwerte in Tabelle 39 lässt sich konstatieren, dass von den 19 untersuchten Teams 68% als lokal effizient zu klassifizieren sind. Das schwächstes der sechs technisch ineffizienten Team ist mit einem Wert von 0,544 Team 9. Alle lokal effizienten Teams erzielen für die gegebene Größe einen maximalen Return on Investment (ROI) der eingesetzten Vertriebsaufwendungen im Vergleich zu allen untersuchten Teams. Wie die CCR-Scores in Tabelle 39 zeigen, weisen nur 63 % der Teams auch die optimale Größe auf. Demgegenüber könnte für die übrigen Teams die Effizienz durch Veränderung der Teamstärke verbessert werden. Bis auf ein Team (Team 5) sind alle skalenineffizienten Teams zu klein, wobei die stärkste Abweichung von der optimalen Größe bei Team 10 zu beobachten ist. Diese arbeiten noch in einem Bereich steigender Skalenerträge und könnten durch Mitarbeiteraufstockung die Durchschnittsproduktivität pro Mitarbeiter steigern. Die steigenden Skalenerträge geben Hinweise darauf, dass Effizienzverbesserungen durch das Zusammenlegen von Vertriebsgebieten und zugehöriger Teams erreichbar wären. Dieser Befund liefert Handlungsvorschläge für zu treffende Investitionsentscheidungen des strategischen Vertriebsmanagements, die notwendig sind, um die Teams insgesamt effizient werden zu lassen. Die damit implizierten Anpassungen zur Beseitigung der Größenineffizienzen sind streng zu trennen von jenen Inputanpassungen, die notwendig sind, um ParetoKoopmans-effizient zu werden. Letzteres kann erreicht werden, indem die technischen Ineffizienzen eliminiert werden, die vorliegen, wenn Inputsenkungen unter Konstanthaltung des aktuellen Outputniveaus möglich sind (siehe die ausgewiesenen Verbesserungsempfehlungen im nächsten Abschnitt). Solche Empfehlungen sind somit statischer Natur. Steigende Skalenerträge drücken hingegen aus, dass ausgehend vom Referenzpunkt auf der BCC-Frontier, der nach Beseitigung der technischen Ineffizienzen erreicht ist (first stage solution), bei Inputsteigerungen überproportionale Outputsteigerungen erreichbar wären. Durch diese Anpassungen ließen sich im Zuge einer second stage solution dann auch die bestehenden Skalenineffizienzen beseitigen. Diese Anpassungen sind dynamischer Natur und zeigen an, wie die Outputgrößen bei einer Variation des Inputniveaus reagieren werden. Hier werden also stets Veränderungen sowohl auf der Input- als auch der Outputseite betrachtet, die durch ein Verlassen des Referenzpunktes in Richtung des Punktes mit der maximalen Durchschnittsproduktivität zu Stande kommen. Da 37% der Teams größenbedingte Ineffizienzen aufweisen, erscheint eine Effizienzanalyse unter der Annahme konstanter Skalenerträge für den betrachteten Da-
284 tensatz tatsächlich unrealistisch. Aus diesem Grund basieren die Analysen auf Ebene der individuellen Teams auf dem BCC-Modell, welches variable Skalenerträge bei der Schätzung der Referenzfunktion zulässt. Bevor die individuelle Analyse anhand ausgewählter Teams erfolgt, wird der Überblick auf der Gesamtebene fortgesetzt, um die generellen Ursachen der festgestellten Gesamtineffizienz der Vertriebsfunktion sowie grundlegende erfolgreiche Vertriebskonzepte zu identifizieren.
3.4.1.2. Identifizierung der generellen Ineffizienzursachen des Vertriebs Die Identifizierung der generellen Ursachen der vorhandenen Ineffizienzen bietet Aufschlüsse über die Effizienztreiber der betrachteten Vertriebsorganisation. Die Gesamtineffizienz kann ausgedrückt werden als die Summe der potenziellen Verbesserungen aller Inputs und Outputs (d.h. den Differenzen aus den Ist-Werten und den Soll-Werten gegeben durch die Ausprägungen der Referenzeinheiten) betrachtet über alle untersuchten Außendienstteams. Daraus lässt sich nun ablesen, welchen Anteil die Verbesserungspotenziale bzgl. eines bestimmten Parameters an den gesamten Verbesserungspotenzialen haben. T eamgröße 21,08% Werbemittel 20,62% Besuchstage 27,01% Marktpotenzial 21,56% Gebietsstruktur 8,27%
Umsatz Apo-Anteil
Apo-Anteil 1,28%
Teamgröße
Umsatz 0,17%
Gebietsstruktur
Werbemittel Marktpotenzial
Besuchstage
Abbildung 22: Überblick über Ursachen der Gesamtineffizienz im Vertrieb
So machen die für die Erreichung der Effizienzgrenze notwendigen Verbesserungen (d.h. Reduktionen) bzgl. der Besuchstage mit 27,1% den mit Abstand größten Anteil an der Gesamtineffizienz aus. Auch der Faktor Werbemitteleinsatz trägt erheblich zur Ineffizienz bei (20,6%). Beide Parameter machen zusammen fast 50% der gesamten
285 möglichen Verbesserungen aus. Diese Befunde werden bestätigt durch hohe negative Korrelationen zwischen den Effizienzwerten und den Parametern Besuchstage ( r = −0,59 ) und Werbemittel ( r = −0,43 ). Diese indizieren, dass hohe Besuchszahlen und die kostenlose bzw. verbilligte Abgabe von Geräten tendenziell zu Ineffizienz führen, da die Outputs nicht in entsprechendem Maße reagieren. Ineffizienzen entstehen offensichtlich v.a. dann, wenn Teams versuchen, den Erfolg durch starke Erhöhung der Incentiveabgabe und der Besuchstage zu „erzwingen“. Das Verschenken von Geräten um jeden Preis ist daher kritisch zu sehen, insbesondere dann, wenn es sich nicht um Einführungswerbung bei neuen Geräten handelt. Die von den betrachteten Teams vertriebenen Produkte sind aber bereits im Markt etabliert und bekannt. Es muss berücksichtigt werden, dass die Produktion der Geräte einen erheblichen Kostentreiber darstellt. Es ist etwa durch Elastizitätsanalysen zu prüfen, wie der Teststreifenumsatz nach Promotionaktionen reagiert. Auch die Produktivität der Teammitarbeiter ist, gemessen an den aktuellen Outputs, zu gering, wie der Anteil der Teamgröße an der Ineffizienz von 21,1% zeigt. Es könnte, wie bereits oben argumentiert, in strategischer Hinsicht für das zentrale Vertriebsmanagement durchaus lohnenswert erscheinen, die Teamstärke zu erhöhen. Zumindest bei den Teams, die sich noch in Bereichen zunehmender Grenzerträge befinden, was für fast alle ineffizienten Teams zutrifft. Hierdurch ließe sich bei diesen Mannschaften die Durchschnittsproduktivität der Mitarbeiter steigern. Bemerkenswert ist auch der große Einfluss des Marktpotenzials als einem nicht kontrollierbaren Parameter: Mit 21,6% ist er der zweit stärkste Ineffizienztreiber, welcher sich gemäß der obigen Ausführungen so interpretieren lässt, dass vorhandene Umsatzpotenziale der Gebiete nicht ausreichend genutzt werden. Die Tatsache, dass ein erheblicher Teil der Ineffizienz nicht etwa durch ein Operieren in unattraktiven Gebieten an sich, sondern durch eine Nichtausschöpfung bestehender Gebietspotenziale verursacht ist, lässt sich daran erkennen, dass die effizienten Teams zum Teil deutlich unattraktivere Gebiete bedienen. Insofern kann nicht geschlussfolgert werden, dass eine Umstrukturierung der Vertriebsgebiete mit dem Ziel der Erhöhung des Marktpotenzials einen wichtigen Erfolgsfaktor darstellt, wie dies etwa Mahajan für die Versicherungsbranche postuliert.724 Die Effizienzwerte der einzelnen Teams in Tabelle 39 oben geben Aufschluss darüber, welche Teams in welchem Maße für die bestehenden Effizienzlücken verantwortlich sind. Aus diesem Grund wird im nächsten Abschnitt auf Ebene der individuellen Teams untersucht, welche Leistungslücken die nicht optimal operierenden Einheiten bzgl. der einzelnen Parameter aufweisen und durch welche Maßnahmen diese zu schließen sind. Zuvor ist jedoch im Rahmen einer Gesamtbetrachtung noch 724
Vgl. Mahajan (1991), S. 201.
286 aufschlussreich, welche Verkaufsstrategien von den erfolgreichen Teams eingesetzt werden.
3.4.1.3. Identifizierung erfolgreicher Vertriebsstrategien Ein Blick auf die als Lösung des primalen Modells ermittelten Gewichtungsfaktoren der Input- und Outputparameter (vgl. Tabelle 40) gibt Aufschluss über die Stärken und Schwächen der Teams. Dabei informieren die Gewichtungsmuster der effizienten Teams (grau unterlegt) über generische Vertriebsstrategien bzw. Verkaufskonzepte, die im betrachteten Markt offensichtlich erfolgreich sind. Team
Diskretionäre Inputs
Nicht diskretionäre Inputs
Teamgröße
Werbemittel
Besuchstage
Marktpotenzial
1
0
94,9
0
2
84,8
0
0
3
0
37,5
4
0
7
Outputs
Gebietsstruktur
Umsatz
Apo-Anteil
0
5,1
84,7
15,3
0
15,2
0
100
0
0
62,5
0
100
54,1
0
0
45,9
0
100
0
0
100
0
0
100
0
8
0
0
100
0
0
100
0
12
100
0
0
0
0
100
0
13
0
0
39,1
40,1
20,8
0
100
14
0
0
24
76
0
100
0
15
0
100
0
0
0
64,1
35,9
16
0
100
0
0
0
64,5
35,5
17
82,9
0
0
0
17,1
100
0
18
0
100
0
0
0
0
100
5
0
57,8
0
0
42,2
0
100
11
100
0
0
0
0
100
0
19
48,4
51,6
0
0
0
99,5
0,5
6
100
0
0
0
0
42,6
57,4
10
55,6
0
44,4
0
0
100
0
9
0
96,2
0
0
3,8
100
0
Tabelle 40: Input- und Output-Gewichte der Vertriebsteams
So zeichnen sich die meisten Teams dadurch aus, dass sie ein bestimmtes Instrument besonders wirkungsvoll zur Generierung von Outputs einsetzen, wobei einige Teams bzgl. beider Outputgrößen einen ausgewogenen Erfolg aufweisen und andere v.a. bei einer der beiden Kennzahlen überlegen sind. Jene Parameter mit hohen Gewichten lassen sich daher als relative Erfolgsfaktoren der betrachteten Teams in-
287 terpretieren, da sie bei diesen Parametern im Vergleich zu den anderen Inputs und Outputs vorteilhaft abschneiden. Hier sei nochmals betont, dass nicht die absoluten Ausprägungen der Inputs und Outputs ausschlaggebend sind, sondern durch die Gewichte angegeben wird, in welchem Verhältnis (Mix) die Vertriebsinstrumente in Form der Inputs eingesetzt werden. So generieren Teams 7 und 8 mit wenigen Besuchstagen sehr hohe Umsätze, wobei die übrigen Inputs eher nachteilig (d.h. relativ hoch) ausgeprägt sind. Der Verkaufsstil zur Erreichung des optimalen Umsatzes ist hier v.a. in einem produktiven (sparsamen) Einsatz der Kundenbesuche zu sehen, während bei den Besuchen offenbar umfangreiche Werbemittel bereitgestellt werden. Demgegenüber erreichen Team 12 und 17 ein überlegenes Verhältnis von Umsatz zu Teamgröße. In Team 2 werden die Mitarbeiter hingegen sehr produktiv in Bezug auf die Erhöhung des Apo-Anteils eingesetzt. Die große Stärke von Team 15 und 16 besteht in einem relativ sparsamen Einsatz von Werbemitteln, der dennoch zu hohen und relativ ausgewogenen Outputs führt. Allerdings wird dies unter Aufwendung relativ hoher Inputs bei den Faktoren Teamgröße und Besuchstage erreicht, wie die Gewichte von Null bei diesen Parametern zeigen. Die Strategie, die von diesen Teams erfolgreich eingesetzt wird, könnte umschrieben werden als: „Einsatz weniger Werbemittel und Konzentration auf häufige Besuche bei den potenziellen Kunden durch viele Außendienstmitarbeiter zur Sicherstellung hoher Kundenzufriedenheit, Erreichbarkeit und Betreuungsqualität“. Diese Strategie scheint aber auch auf Kosten der Ausnutzung des Gebietspotenzials (wie die geringen Gewichte der nicht beeinflussbaren Strukturparameter zeigen) zu gehen, denn sie stellen - verglichen mit den anderen Inputfaktoren - relative Schwächen dar. Mit derselben Strategie bzgl. des Instrumenteneinsatzes sind Teams 3, 4 und 18 besonders bei der Erreichung eines hohen Apo-Anteils erfolgreich. Auch die Gewichte der nicht kontrollierbaren Inputs liefern Erkenntnisse. So zeigen die zum Teil hohen Gewichte bei den Parametern „Marktpotenzial“ und „Gebietsstruktur“, dass einige Teams insbesondere deshalb erfolgreich sind, weil sie die Fähigkeit besitzen, die sich bietenden Gebietspotenziale optimal zu kapitalisieren. Dies trifft auf die Mehrheit der Teams jedoch nicht zu.
3.4.2.
Auswertung auf Teamebene
3.4.2.1. Analyse der Ist-Effizienz und Bestimmung der Referenzteams Bevor eine individuelle Ursachenforschung und die Ableitung von Handlungsempfehlungen für schwache Teams erfolgen können, müssen deren Referenzteams identifiziert werden. Hierüber geben die λ -Werte des dualen Programms Auskunft. In
288 Tabelle 41 sind die λ -Anteile der effizienten Teams zur Bildung der (virtuellen) Referenzteams angegeben. Es ist klar, dass für jedes effiziente Team j der Benchmark das Team selbst darstellt, weshalb jeweils λ j = 1 gilt und die λ aller anderen Teams den Wert Null annehmen. Für die ineffizienten Teams sind für jene Efficient Peers (dargestellt in den Spalten), die in die Konstruktion des entsprechenden virtuellen Referenzteams eingehen, die λ -Anteile > 0, alle mit Werten von Null haben keine Relevanz für das Benchmarking des betrachteten ineffizienten Teams. Die Summe der λ ergibt für jedes Team stets eins. Daraus wird erkenntlich, dass größenbedingte Ineffizienzen ausgeschlossen werden und es nicht mehr passieren kann, dass einer ineffiziente Einheit das x-fache der Größe eines effizienten Teams als Maßstab vorgegeben wird. Ineff. Team
Anteile λ an Referenzteam 7 8 12 13 14
BCC-Effizienzw.
1
2
5
0,941
0,12
0,17
11
0,825
0,5
0,5
19
0,78
0,09
0,13
0,07
6
0,709
0,73
0,07
0,2
10
0,634
0,4
0,6
9
0,544
3
4
0,3
15
16
17
18
0,35
0,36
0,71
0,7
Tabelle 41: Referenzteams der ineffizienten Teams
Aus der Übersicht wird deutlich, dass bestimmte Teams häufiger als Referenzeinheiten für ineffiziente Vertriebsteams auftreten als andere. So stellen Team 8 und 12 die Performanceführer bzw. sog Influential Units dar, da sie vier- bzw. fünfmal in die virtuellen Referenzeinheiten für ineffiziente Teams eingehen. Hierfür kann zum Beispiel der virtuelle Benchmark für Team 11 genannt werden, der sich zu gleichen Anteilen aus den beiden führenden Teams linear kombiniert. Dies lässt darauf schließen, dass die beiden Performanceführer ein populäres Vertriebskonzept (Sales Style) gewählt haben, welches sie jedoch effizienter umsetzen als ihre ineffizienten Pendants. Die Außendienstteams 3, 4, 7, 14, 15 und 16, die grau unterlegt sind, dienen für kein ineffizientes Team als Vergleichsobjekt und sind somit nur ihr eigener Benchmark. Sie stellen sog. Self Evaluators in dem Sinne dar, dass kein Vergleichsobjekt auf sie referenziert und diese somit eine individuelle Strategie der Marktbearbeitung verfolgen, die mit keiner der anderen Teams vergleichbar ist. Des Weiteren ist aus Tabelle 41 ersichtlich, dass es unter den ineffizienten Einheiten keine gibt, die vollständig durch ein effizientes Team dominiert wird. Daraus kann geschlussfolgert werden, dass es keine Teams gibt, die identische Strategien verfolgen.
289 Am Beispiel des Teams 11 soll die Interpretation der DEA-Ergebnisse beispielhaft gezeigt werden: Dessen Ist-Effizienzwert von 82,5% bedeutet, dass das entsprechende virtuelle Referenzteam den gleichen Umsatz und Apo-Anteil mit nur 82,5% der von Team 11 eingesetzten Inputs erreicht. Als Benchmark wird ein virtuelles Referenzteam zu 50% aus Team 8 und zu 50% aus Team 12 gebildet. Das Referenzset besteht also aus zwei Vergleichseinheiten. Anhand der λ -Werte kann somit jener Referenzpunkt auf dem effizienten Rand exakt bestimmt werden, der von Team 11 am schnellsten, d.h. ohne Veränderung des Input-Mixes, erreichbar ist. Die Inputund Outputkoordinaten dieses Benchmarks bilden somit die Soll-Werte für Team 11. Auf dem Weg zur Effizienz müsste es offenbar genau einen Mittelweg zwischen den von den beiden Efficient Peers gewählten Vertriebskonzepten finden.
3.4.2.2. Soll-Ist-Abweichungskontrolle und Analyse der Ursachen der Ineffizienz Anhand der Gewichte lassen sich die individuellen Stärken und Schwächen des Teams ablesen, die somit Aufschluss über die Ursachen der festgestellten Abweichung vom effizienten Rand in Höhe von 17,5% geben. Sie liefern bereits Hinweise auf wichtige Stellschrauben zur Verbesserung der Performance. Tabelle 40 oben zeigt sehr deutlich, dass die Parameter Besuchstage und Werbemittel sehr unvorteilhaft ausgeprägt sind und deshalb Gewichte von Null erhalten. Sie stellen somit die zentralen Schwächen dar und sind die Ursachen für die geringe Performance. Offensichtlich setzt Team 11 im Vergleich zum Referenzteam zu viele Werbemittel und Kundenbesuche ein und erreicht dennoch einen zu geringen ApoAnteil. Wie die Gewichte für die beiden exogenen Faktoren zeigen, ist die geringe Performance auch auf eine nicht optimale Ausnutzung des Marktpotenzials und der Gebietsstruktur zurückzuführen. Die relative Stärke des Teams besteht in einem vorteilhaften Verhältnis von Umsatz zu Teamgröße. Wie die hohen Gewichte indizieren, schafft es Team 11 offensichtlich mit wenigen Mitarbeitern, einen relativ hohen Umsatz zu erzielen, und erreicht dadurch noch einen Effizienzwert von 82,5%. In Anbetracht des aktuell geringen Personaleinsatzes könnte – nach erfolgter Verbesserung der operativen Vertriebsprozesse entsprechend des Benchmarks (!) - eine Teamvergrößerung zur besseren Ausnutzung der Gebietsstruktur eine mögliche Interpretation sein.
3.4.2.3. Ableitung von Zielvorgaben und Handlungsempfehlungen aus dem inputorientierten Modell Entsprechend der ausgewiesenen operativen Ineffizienz von 17,5% bestünde die Handlungsempfehlung für Team 11 prinzipiell darin, unter Beibehaltung des Outputs
290 alle Inputeinsätze proportional um 17,5% zu reduzieren, um einen Effizienzgrad von 1 zu erreichen. Allerdings liegt im Falle bei Team 11 die oben beschriebene Situation vor, in der für einige der beeinflussbaren Inputs eine Reduktion um den proportionalen Faktor nicht ausreicht, um effizient zu werden, da überproportionale Verbesserungspotenziale (Slacks) vorliegen. Um die exakten Zielwerte zu bestimmen, auf die die jeweiligen Inputs reduziert werden müssten, sind für jeden Input die Ausprägungen der zwei Referenzteams mit dem jeweiligen λ -Anteil zu gewichten und zu addieren.725 Die notwendigen prozentualen Verbesserungen der Inputparameter sind in Tabelle 42 angegeben. Die InputTargets ergeben sich genauso, wenn die durch den proportionalen Faktor angegebenen Inputsenkungen um die Slack-Werte ergänzt werden. Aus Tabelle 42 ist zu erkennen, wie stark jeder Parameter zu variieren ist, um vollständig effizient zu werden. Danach sollte Team 11 unter Beibehaltung des Umsatzes und mit einer 5,7%igen Erhöhung des Apo-Anteils (Slack von 2,8) die Teamstärke um 17,5%, die Besuchstage um 23,2% und den Werbemitteleinsatz um 23,8% reduzieren. Da es sich um ein inputorientiertes Modell handelt sind die Verbesserungen beim Output Apo-Anteil ausschließlich auf Slacks zurückzuführen. Außerdem arbeitet die Referenzeinheit in erheblich unattraktiveren Gebieten: Team 11 müsste dasselbe Resultat auch unter weniger günstigen strukturellen Bedingungen schaffen, denn das Gebiet des Referenzteams weist ein um 46,63% geringeres Umsatzpotenzial und eine 7,53% geringere Einwohnerdichte auf.726 Team 11
Parameter
Ist-Wert
θ = 0,825 Inputs
Slacks (absolut)
Zielwert
Notwendige Verbesserungen in %
Teamgröße
2
0,35
0
1,65
-17,5
Werbemittel
16.785
2.937,38
1.059,13
12.788,5
-23,81
Besuchstage
Output
proportion. Verbesserung (absolut)
231
40,43
13,08
177,5
-23,16
Marktpotenzial
4.412,7
0
2.057,85
2.354,85
-46,63
Gebietsstruktur
146
0
11
135
-7,53
Umsatz
501
0
0
501
0
49,05
0
2,8
51,84
5,7
Apo-Anteil
Tabelle 42: DEA-Ergebnisse für das ineffiziente Vertriebsteam 11
Die in Tabelle 42 ausgewiesenen notwendigen „Verbesserungen“ bzgl. der nicht kontrollierbaren Inputs Marktpotenzial und Gebietsstruktur zeigen, dass die Referenzteams effizient sind, obwohl sie in deutlich schlechteren Gebieten operieren. Es ist 725 726
Vgl. Bauer/Hammerschmidt (2003), S. 492. An der Tatsache, dass bei den nicht diskretionären Inputs trotz einer Ineffizienz von 17,5% lediglich Slacks und keine radialen Verbesserungen ausgewiesen werden ist ersichtlich, dass diese nicht in die Berechnung des Effizienzwertes einfließen, sondern lediglich zur Sicherstellung der Vergleichbarkeit dienen.
291 daher zu prüfen, ob Maßnahmen zur Umstrukturierung bzw. Neuzuschneidung des Vertriebsgebiets, die evtl. Implikationen dieser Befunde sein können, sinnvoll erscheinen. Analog der für Team 11 geschilderten Vorgehensweise lassen sich auf Basis der DEA-Resultate für alle Teams individuelle, bei effizientem Agieren realistisch erreichbare Zielvorgaben hinsichtlich der betrachteten Aktionsparameter ableiten. Realistisch sind diese deshalb, weil sie von den Referenzteams, die unter gleichen oder schlechteren Bedingungen und mit vergleichbarem Input-Mix arbeiten, bereits realisiert sind. Die Ergebnisse der DEA können somit die Einsatzplanung des Verkaufsaußendienstes erheblich unterstützen, die als komplexe Aufgabe erhebliche Anforderungen an das Verkaufsmanagement stellt.727 Der Vorteil der Ermittlung individueller Benchmarks ermöglicht es, für jedes Team individuelle Zielvorgaben zu verwenden, die die spezifische Teamsituation und die Marktgegebenheiten abbilden.728 Nach den Implikationen der DEA ist es somit durchaus sinnvoll und wünschenswert, für Team 11 für den Apo-Anteil eine Quote von 52% vorzugeben, während z.B. für die Teams 5 und 6 eine Zielvorgabe von 68% adäquat ist. Genauso können für die Höhe der abgegebenen Werbemittel unterschiedliche Maximalwerte zugelassen werden (12.788 für Team 11 vs. 16.436 für Team 6), da beide ganz unterschiedliche Verkaufskonzepte anwenden und unter anderen Bedingungen arbeiten. Bei allen effizienten Teams, die auf dem Rand liegen und nur sich selbst als Benchmark haben, bestehen keine Leistungslücken. In einer Tabelle, wie oben dargestellt, würden also für alle Parameter Verbesserungen von 0% ausgewiesen.
3.4.2.4. Ableitung von Zielvorgaben und Handlungsempfehlungen aus dem outputorientierten Modell Die bisherigen Aussagen des inputorientierten Modells repräsentieren eine eher quantitative, mechanistische Interpretation der Effizienzergebnisse in Form notwendiger Inputreduktionen, die bei effizientem Operieren erreichbar sind. Eine outputorientierte Modellierung bietet aus Managementperspektive ebenfalls interessante Einsichten. Wie bereits für den Werbebereich beschrieben, bilden die effizienten Vertriebseinheiten eine Sales-Responsefunktion, die eine effiziente Transformation der Inputs in Outputs abbildet. Auf Basis dieser Responsefunktion lassen sich mögliche Effizienzverbesserungen anhand der dadurch erzielbaren Umsatzwirkungen monetär bewerten. So könnte Team 11, wenn es durch Erzielung einer höheren Qualität des Instrumenteneinsatzes und höherer Verkaufsanstrengungen die Ressourcen so effizient einsetzen würde wie das Benchmarkteam, mit dem aktuellen Inputeinsatz den 727 728
Vgl. Albers/Skiera (2002), S. 1106 f. Vgl. Horsky/Nelson (1996).
292 Umsatz um den Faktor 1,3767 (vgl. den outputorientierten Effizienzwert in Tabelle 43 unten), d.h. um 37,67% steigern. Solche Qualitätssteigerungen drücken sich z.B. in Form einer besseren Einsatzplanung aus, die in einer besseren Allokation der Ressourcen (Besuchstouren, Beratungsgespräche) auf Produkte oder Kundengruppen resultiert.729 Durch solche qualitativen Verbesserungen wären für die ineffizienten Teams offensichtlich signifikant höhere Umsätze erzielbar, die dann ebenso zum Erreichen des effizienten Randes führen. Die DEA-Ergebnisse eines outputorientierten Modells lassen sich folglich heranziehen, um realistisch erreichbare Umsatzsteigerungen vorzugeben. Diese Umsatzvorgaben können bei Trennung in technische und größenbedingte Ineffizienzen sowohl für das lokale Teammanagement als auch für das übergeordnete Vertriebsmanagement abgeleitet werden. Damit wird der Tatsache Rechnung getragen, dass eine Ausschöpfung des gesamten Umsatzsteigerungspotenzials nicht allein durch die einzelnen Teams realisiert werden kann, da diese auf die Größe der Teams keinen unmittelbaren Einfluss haben. Die Teamgröße ergibt sich aus der Strukturierung der Vertriebsgebiete, die durch das zentrale Management festgelegt wird und strategische Entscheidungen auf übergeordneter Hierarchieebene erfordert. In Tabelle 43 sind die Umsatzsteigerungspotenziale sowohl für die einzelnen ineffizienten Teams als auch für das zentrale Management angegeben. Solche Umsatzvorgaben können dann die Basis eines performanceorientierten Vergütungssystems darstellen.730 Ineff. Team
Ist Umsatz
Gesamteffizienz (CCR)
Technische Effizienz (BCC)
Skaleneffizienz (CCR/ BCC)
5
542
1,0794
1,0094
1,069
43,03
5,06
38
6
720
1,2998
1,0827
1,2
215,83
101,92
113,91
9
508
1,1378
1,0587
1,074
70,02
29,8
40,22
10
439
1,9567
1,7418
1,123
419,97
325,65
94,32
11
501
1,3767
1,3767
1
188,75
188,75
0
16
517
1,0114
1
1,011
5,9
0
5,9
590
1,2663
1,1649
1,087
19 Summe
3.817
Pot. Umsatzsteigerung gesamt
Pot. Umsatzsteigerung durch techn. Effizienz (Vorgabe für Teams)
Pot. Umsatzsteigerung durch Skaleneffizienz (Vorgabe für Vertriebsleitung)
164,61
157,12
7,49
1.108,14
808,31
299,83
Tabelle 43: Potenzielle Umsatzsteigerungen bei operativer und strategischer Effizienz
Die Umsatzsteigerungen bei Beseitigung der beiden Arten von Ineffizienz bestimmen sich prinzipiell aus den jeweiligen Effizienzscores, die im outputorientierten Modell direkt als Multiplikatoren interpretierbar sind. Allerdings gilt dies nur, wenn keine 729 730
Vgl. Albers (2000), S. 170 ff. Vgl. Albers/Skiera (2002), S. 1117 f.
293 Slacks vorliegen, ansonsten sind diese noch zu addieren. Die in Tabelle 43 angegebenen absoluten Umsatzsteigerungspotenziale enthalten sowohl die proportionalen (radialen) als auch die zusätzlichen Verbesserungen in Form der Slacks. Da für Team 5 keine Umsatz-Slacks vorliegen, ergibt sich der gesamte Umsatzsteigerungseffekt als (1,0794*542) - 542 = 43,03, der in Tabelle 43 ausgewiesen ist. Unter Verwendung der Scores für technische und Skaleneffizienz (1,0094 und 1,069) erhält man analog die jeweiligen Umsatzsteigerungen. Die Realisierung der Umsatzsteigerungen bzgl. der technischen Effizienz liegen dabei in der Verantwortung der einzelnen Teams und sind diesen als Zielwerte vorzugeben. Das Umsatzziel liegt für Team 5 somit bei 547,06 Tsd. Euro. Die übrige Umsatzsteigerung (38 Tsd. Euro) kann nur durch Erreichen einer optimalen Größenstruktur ausgeschöpft werden, wobei hierfür die Vertriebsleitung zuständig ist. Insgesamt müsste bei effizientem operativen und strategischen Vertriebsmanagement für Team 5 ein Umsatz von 585,03 Tsd. Euro realisierbar sein. Insgesamt ergeben sich durch die ineffizienten Teams Umsatzeinbußen von 1,108 Mio. Euro, die somit das Wachstumspotenzial des gesamten Vertriebsbereichs darstellen. Davon sind 0,808 Mio. Euro (73%) durch operative Ineffizienzen, 0,299 Mio. Euro (27%) hingegen durch falsche Teamgrößen (d.h. in Bezug auf das Vertriebsgebiet zu kleine bzw. zu große Teams) verursacht. Dieses Szenario impliziert, dass die ineffizienten Teams die durch den jeweiligen Referenzpunkt vorgegebene ZielPosition auf dem effizienten Rand erreichen und die aktuellen Vertriebsaufwendungen effizient in Outputs transformieren. Insgesamt könnten die vormals ineffizienten Teams so eine Umsatzsteigerung um 1,108 Mio. Euro auf 4,925 Mio. Euro erzielen. Bezieht man die nicht weiter steigerbaren Umsätze der bereits effizient arbeitenden Teams in Höhe von 7,386 Mio. Euro ein, betrüge der potenzielle Umsatz für den gesamten Vertriebsbereich 12,311 Mio. Euro im Gegensatz zum Ist-Umsatz von 11,203 Mio. Euro. Somit besteht bei vollständig effizientem Vertrieb ein Umsatzsteigerungspotenzial von insgesamt 9,9 %.
3.5.
FDH als Alternativmodell zur Vertriebseffizienzanalyse?
Im letzten Abschnitt wird der Idee eines Methodenpluralismus folgend geprüft, welche zusätzlichen Erkenntnisse ein FDH-Modell für die Analyse der Vertriebsperformance erbringt. Damit soll die Frage beantwortet werden, ob die FDH als Alternative zur DEA geeignet erscheint. Nachdem die FDH formal in Abschnitt D-1.4 eingeführt wurde, wird diese nun für die Vertriebsdaten angewendet. In Tabelle 44 sind die Resultate der FDH-ineffizienten Teams dargestellt.
294 Ineff. bzw. dominierte Teams
FDHEffizienzwert
Benchmarkteam
11
1
17
19
0,9993
17
6
0,868
8 oder 14
10
0,8
4 oder 17
Slacks Teamgröße
Werbemittel
Besuchstage
Marktpotenzial
Gebietsstruktur
Umsatz
ApoAnteil
0
-2.816
-58
-1.558,8
-30
142
16,56
Tabelle 44: FDH-Ergebnisse für ineffiziente Teams
Im Rahmen der FDH-Analyse erweisen sich nur noch drei Teams als ineffizient (Team 19, 6 und 10). Die FDH vergleicht die ineffizienten Teams nur anhand realisierter und nicht virtueller Benchmarks, die als plastische Vorbilder dienen und deren Input- und Outputausprägungen direkt als Zielwerte genutzt werden können. So wird Team 10 durch Team 4 und 17 vollständig dominiert, d.h. diese erzielen mit weniger Inputs den gleichen oder mehr Output. Die FDH erscheint vordergründig deshalb geeignet, weil Vertriebsteams aus Menschen bestehen und somit nicht beliebig teilbar und rekombinierbar sind. Hingegen liegt der DEA die häufig kritisierte Annahme zu Grunde, Bruchteile von Teams heranziehen und diese dann zu neuen virtuellen Teams verschmelzen zu können. Allerdings weist die FDH selbst wiederum gravierende Nachteile auf, die eine Verwendung der DEA rechtfertigen, insb. dann, wenn statt der Anzahl der Mitarbeiter Vollzeitäquivalente (FTEs) verwendet werden. Die Ergebnisse in Tabelle 44 deuten auf einige Probleme der FDH hin: Erstens gibt es in der Regel mehrere Benchmarks, die das ineffiziente Teams hinsichtlich aller Parameter dominieren und die von der FDH als Referenzpunkte angeboten werden (vgl. Team 6 und 10). Die Auswahl bleibt dem Anwender selbst überlassen, während die DEA eindeutige Zielwerte ermittelt. Aufgrund der Nicht-Konvexitätsannahme des FDH-Modells kann es zweitens vorkommen, dass Teams als effizient ausgewiesen werden (100%), obwohl sie durch andere Teams eindeutig dominiert werden. Dies ist der Fall für Team 11, welches durch Team 17 dominiert wird, aber dennoch auf der Randfunktion liegt. Es kann also nicht Pareto-Koopmans-effizient sein, da Verbesserungen bei mindestens einem Parameter ohne Verschlechterung bei den anderen möglich wären. So liegt Team 11 bzgl. Teamgröße auf einer Höhe mit Team 17, benötigt aber mehr von den anderen Inputs und erzielt bei beiden Outputs geringere Werte. Dies wird durch die Slacks angezeigt. Dieses Problem entsteht aufgrund der Annahme der freien Verschwendbarkeit der Inputs bzw. Outputs, die eine Einheit als auf dem Rand liegend ausweist, sobald sie bzgl. eines Inputs genauso gut ist wie eine andere effiziente Einheit, selbst wenn sie bei anderen Inputs bzw. Outputs schlechter abschneidet.
295 Ein dritter gravierender Nachteil ergibt sich aus der mangelnden Diskriminierungsfähigkeit der FDH. Aufgrund der extrem gelockerten Prämissen werden für den hier betrachteten Fall 84% der Einheiten als effizient und somit bzgl. der Performance als nicht weiter differenzierbar ausgewiesen (im Vergleich zu 63% bzw. 68% bei den DEA-Modellen), nur noch 3 Teams werden als ineffizient klassifiziert. Dies führt den Sinn einer kritischen Effizienzanalyse, die bessere und schlechtere Teams identifizieren soll, ad absurdum. Insgesamt zeigen die Ergebnisse, dass ein FDH-Modell zwar einige alternative Interpretationen bietet, aufgrund kritischer Eigenschaften jedoch keinesfalls als der DEA überlegen anzusehen ist.
4.
Ein „Denken in Produktionsfunktionen“ als neue Perspektive im Marketing?
Im Zuge der Etablierung eines wertorientierten Management gerät auch das Marketing zunehmend unter Druck: Es wird verstärkt eine Bewertung der Performance der Marketingaktivitäten gefordert, die mittlerweile in vielen Unternehmen den größten Kostenblock verursachen.731 Marketing steht verstärkt unter dem Druck, den Vorwurf, keine angemessene Verantwortung zur Wertsteigerung (Accountability) zu übernehmen, zu widerlegen. Hierzu ist es erforderlich, den Erfolg der Marketingaktivitäten möglichst objektiv und quantitativ zu bewerten.732 Diese Leistungsbewertung hat einerseits zum Ziel, den Erfolgsbeitrag des Marketing durch Identifizierung leistungsstarker, bestpraktizierender Einheiten zu belegen. Anderseits müssen jene Einheiten, bei denen noch Performancelücken bestehen, benannt und Ansatzpunkte für die Steigerung des Wertbeitrags auf individueller Ebene abgeleitet werden. Zur Leistungsbewertung des Marketingbereichs wurde in dieser Arbeit für den Einsatz des Effizienzkonzeptes plädiert. Es verhindert eine einseitige Fokussierung auf finanzielle Outputgrößen und eine Vernachlässigung nicht monetärer Aspekte der Marketingprozesse. Als geeignete Methode zur Effizienzmessung und -analyse wurde im Rahmen dieser Arbeit die DEA vorgeschlagen. Sie ermöglicht es, produktionsökonomische Erkenntnisse und Prinzipien auf das Marketing zu übertragen und im Bewusstsein des Managements das Verständnis zu verankern, dass auch Handlungen des Marketing als Input-Output-Transformationen zu verstehen sind. Auch Marketing „produziert“ durch den Einsatz von Inputs verschiedene Outputs.733 Als Produktionsfaktoren sind jedoch nicht Rohstoffe oder Maschinenstunden zu betrachten, sondern Kundenbesuche, Werbekampagnen, Promotionaktionen oder die Investitionen in räumliche Ubiquität 731 732 733
Vgl. Reinecke/Reibstein (2002), S. 18. Vgl. Rust et al. (2004), S. 78. Vgl. Parsons (1994), S. 172 f.
295 Ein dritter gravierender Nachteil ergibt sich aus der mangelnden Diskriminierungsfähigkeit der FDH. Aufgrund der extrem gelockerten Prämissen werden für den hier betrachteten Fall 84% der Einheiten als effizient und somit bzgl. der Performance als nicht weiter differenzierbar ausgewiesen (im Vergleich zu 63% bzw. 68% bei den DEA-Modellen), nur noch 3 Teams werden als ineffizient klassifiziert. Dies führt den Sinn einer kritischen Effizienzanalyse, die bessere und schlechtere Teams identifizieren soll, ad absurdum. Insgesamt zeigen die Ergebnisse, dass ein FDH-Modell zwar einige alternative Interpretationen bietet, aufgrund kritischer Eigenschaften jedoch keinesfalls als der DEA überlegen anzusehen ist.
4.
Ein „Denken in Produktionsfunktionen“ als neue Perspektive im Marketing?
Im Zuge der Etablierung eines wertorientierten Management gerät auch das Marketing zunehmend unter Druck: Es wird verstärkt eine Bewertung der Performance der Marketingaktivitäten gefordert, die mittlerweile in vielen Unternehmen den größten Kostenblock verursachen.731 Marketing steht verstärkt unter dem Druck, den Vorwurf, keine angemessene Verantwortung zur Wertsteigerung (Accountability) zu übernehmen, zu widerlegen. Hierzu ist es erforderlich, den Erfolg der Marketingaktivitäten möglichst objektiv und quantitativ zu bewerten.732 Diese Leistungsbewertung hat einerseits zum Ziel, den Erfolgsbeitrag des Marketing durch Identifizierung leistungsstarker, bestpraktizierender Einheiten zu belegen. Anderseits müssen jene Einheiten, bei denen noch Performancelücken bestehen, benannt und Ansatzpunkte für die Steigerung des Wertbeitrags auf individueller Ebene abgeleitet werden. Zur Leistungsbewertung des Marketingbereichs wurde in dieser Arbeit für den Einsatz des Effizienzkonzeptes plädiert. Es verhindert eine einseitige Fokussierung auf finanzielle Outputgrößen und eine Vernachlässigung nicht monetärer Aspekte der Marketingprozesse. Als geeignete Methode zur Effizienzmessung und -analyse wurde im Rahmen dieser Arbeit die DEA vorgeschlagen. Sie ermöglicht es, produktionsökonomische Erkenntnisse und Prinzipien auf das Marketing zu übertragen und im Bewusstsein des Managements das Verständnis zu verankern, dass auch Handlungen des Marketing als Input-Output-Transformationen zu verstehen sind. Auch Marketing „produziert“ durch den Einsatz von Inputs verschiedene Outputs.733 Als Produktionsfaktoren sind jedoch nicht Rohstoffe oder Maschinenstunden zu betrachten, sondern Kundenbesuche, Werbekampagnen, Promotionaktionen oder die Investitionen in räumliche Ubiquität 731 732 733
Vgl. Reinecke/Reibstein (2002), S. 18. Vgl. Rust et al. (2004), S. 78. Vgl. Parsons (1994), S. 172 f.
296 von Marken. Diese Inputs werden im Rahmen von Marketingprozessen in Marketingoutputs transformiert, die sich etwa durch erzielte Markenbekanntheit, Kundenzufriedenheit oder durchgesetzte Preisprämien ergeben. Das Verhältnis der Outputs zu den Inputs einer Maßnahme kann dann mit anderen verglichen werden, um so ein Maß für die relative Effizienz zu erhalten. Diese Vielfalt der Modellierungsmöglichkeiten, die die DEA bietet, erlaubt es, den Produktionsbegriff auf Bereiche ohne physikalisch-technisch determinierte Input-Output-Beziehungen auszuweiten und die Erkenntnispotenziale der produktionsökonomischen Analyse auch für das Marketing fruchtbar zu machen.734 Eine Leistungsbewertung im Marketing auf Basis der DEA wird den zentralen Anforderungen an Performance-Measurement-Ansätze735 besser gerecht als klassische Kennzahlensysteme. Dies soll im Folgenden noch einmal zusammenfassend begründet werden: Die DEA ist in der Lage, die Multidimensionalität der Leistungserstellung im Marketing, die sich durch Einsatz zahlreicher, insbesondere nicht monetär bewertbarer immaterieller Inputs und Outputs auszeichnet, adäquat widerzuspiegeln. Es können simultan multiple Inputs und Outputs verschiedener Maßeinheiten analysiert werden, die sowohl tangibler als auch intangibler Natur sein können. Des Weiteren kann die DEA eine Accountability in zweierlei Hinsicht sicherstellen: erstens bzgl. der Unterscheidung in aggregierte vs. disaggregierte (individuelle) Betrachtung, zweitens in Bezug auf die Zurechnung von Verantwortlichkeiten für festgestellte Ineffizienzen auf Managementebenen (strategisch vs. operativ). Hinsichtlich der ersten Perspektive erlaubt die DEA, durch Abstufung der Effizienzwerte in Form einer Rangfolge den Anteil jeder DMU an der Gesamtineffizienz zu quantifizieren. Hierdurch können das Ausmaß an Ressourcenverschwendung exakt quantifiziert und Verantwortlichkeiten den DMUs verursachungsgerecht zugeordnet werden. Der finanzielle Wertbeitrag kann mittels einer DEA allerdings nur evaluiert werden, wenn die Outputseite durch monetäre Größen modelliert wird, so wie dies in der Vertriebsuntersuchung in Kapitel E-3 der Fall war. Hier ließen sich die Umsatzsteigerungen, die bei Eliminierung der Ineffizienz möglich sind, explizit ausweisen. Auf diese Weise zeigt sich, welche Leistungssteigerungspotenziale insgesamt bestehen und wie die Budgets auf die einzelnen DMUs (Teams, Marketingaktivitäten etc.) zu verteilen sind, um dieses Potenzial auszuschöpfen. Auf individueller DMU-Ebene kann der Anteil jedes Input- und Outputparameters an der festgestellten Ineffizienz quantifiziert werden, wodurch eine Ursachenanalyse unterstützt wird, die zur Ableitung individueller Verbesserungs-
734 735
Vgl. Werner/Brokemper (1996), S. 167. Vgl. Reinecke (2004), S. 38 ff. und 76 ff.
297 maßnahmen dient. Das Aufdecken der Quellen der Ineffizienz erlaubt die Priorisierung kritischer Performanceparameter i. S. von Erfolgsfaktoren. 736 Die Zuweisung der Zuständigkeiten für festgestellte Ineffizienzen auf Hierarchieebenen wird durch die Möglichkeit der DEA unterstützt, in technische und größenbedingte Ineffizienz zu unterscheiden. Auf diese Weise kann z. B. im Vertrieb spezifiziert werden, welcher Teil der ausgewiesenen Verbesserungspotenziale eines Teams durch Entscheidungen des Teams selbst (durch Verbesserung der operativen Effizienz) und welche nur durch strategische Entscheidungen auf übergeordneter Managementebene (etwa durch die Vertriebsleitung) zu realisieren sind. In gewissem Maße kann die DEA somit strategische Entscheidungen, wie etwa die Umstrukturierung von Vertriebsgebieten bzw. die Änderung von Teamgrößen, anregen. Des Weiteren hebt sich die DEA von anderen Methoden dadurch ab, dass ihr Effizienzmaß nicht durchschnittsorientiert ist. Stattdessen misst die DEA die Effizienz in Relation zur Best Practice und orientiert sich an den erfolgreichsten Vergleichsunternehmen oder -einheiten, um Strategien und Handlungsempfehlungen abzuleiten, die es dem Unternehmen ermöglichen, eine effiziente Position zu erlangen. Ein großes Maß an Entscheidungsunterstützung bietet die DEA v.a., wenn der Effizienzvergleich auf Marktebene erfolgt und auch konkurrierende Marketingeinheiten bzw. -objekte integriert. Die Informationen zur Effizienz der Wettbewerber ermöglichen wettbewerbstrategische Marktanalysen. Der Anwender erhält etwa Hinweise zu Gestaltung, Modifikation oder Elimination von Produkten bzw. Varianten oder die Gestaltung von Maßnahmen im Rahmen der Markenführung. So konnte mit der Anwendung zur Produkteffizienzanalyse gezeigt werden, wie die Informationen der DEA für eine Marktstrukturierung nutzbar sind, die Hinweise auf die Intensität des Wettbewerbs in bestimmten Teilmärkten und den Grad der Differenzierung der angebotenen Produkte vermitteln. So lassen sich stark umkämpfte Segmente sowie mögliche Nischen erkennen und Marktauswahlentscheidungen fundieren. Die DEA ist auch ein viel versprechendes Instrument, um einen Information Overload zu verhindern, da sie als Ergebnis nur eine Effizienzkennzahl ermittelt, die unmittelbar ökonomisch zu interpretieren ist. Das Prinzip, die Input- und Outputparameter bei der Bestimmung dieser Spitzenkennzahl bestmöglich zu gewichten, stellt eine faire Leistungsbewertung sicher, was der Akzeptanz der Methode in der Praxis zuträglich ist. “Use of DEA approach to performance evaluation would encourage people to work smarter rather than harder by encouraging them to use their time and effort (inputs that are in their control) more efficiently so as to generate maximum outputs.”737 736
Vgl. Golany et al. (1990), S. 102.
298 Auch wenn die DEA als leistungsfähiges Instrument anzusehen ist, welches viele konzeptionelle Probleme klassischer Performance-Measurement-Konzepte überwindet, bestehen einige bisher kaum behandelte Forschungsfragen, die Bedarf für zukünftige DEA-Untersuchungen im Marketing konstituieren. Auf zwei dieser Forschungsfragen, die sich unter dem Stichwort prädiktive Validität sowie Dynamisierung der Effizienzmessung zusammenfassen lassen, soll abschließend eingegangen werden. Die erste Fragestellung betrifft die Problematik der Vergangenheitsorientierung der Effizienzanalyse. So kann auch die DEA die Effizienz nur ex post bzw. bestenfalls auf Basis gegenwärtiger Daten evaluieren. Es gilt zu prüfen, welche prädiktive Kraft die ermittelten Effizienzwerte besitzen. So wäre zu testen, inwieweit z.B. die ermittelte Marketingeffizienz ein guter Indikator des zukünftigen Markterfolgs im Vergleich zur Konkurrenz darstellt. Es ist ein steigendes Interesse an sog. prognostischen Leistungsmaßen zu erwarten, die Gefahren, aber auch Erfolge in der Zukunft vorhersagen.738 Es ist zu vermuten, dass Effizienzmaße zur Prognose zukünftiger Gewinnströme besser geeignet sind als vergangene Gewinne. Dies erscheint plausibel, weil vergangenheitsbezogene Gewinngrößen stark durch Störeinflüsse (noise) bzw. kurzfristige, transitorische Einflüsse aus der Umwelt verzerrt sind.739 Demgegenüber ist die Fähigkeit, maximale Outputs aus verfügbaren Inputs zu erzeugen, eine nachhaltige Ressource eines Unternehmens, die höchstwahrscheinlich auch in der Zukunft nutzbar ist. Daher erfassen Effizienzmaße die dauerhaften Komponenten der Gewinnentwicklung besser und sind vermutlich bessere Prädiktoren zukünftiger Gewinnströme. Es erscheint daher vielversprechend, die Stärke des Zusammenhangs zwischen vergangenen und zukünftigen Gewinnen und des Zusammenhangs zwischen der Effizienz und zukünftigen Gewinnen über die Zeit und über verschiedene Unternehmen hinweg zu vergleichen. Zur Überprüfung der prädiktiven Kraft von Effizienzwerten könnte im einfachsten Fall eine Regression bzw. Korrelation von Effizienzwerten und Absatzzahlen bzw. Gewinnen über bestimmte Zeitperioden erfolgen.740 Die Ergebnisse können dann genutzt werden, um auf Marktanteile zu schließen und Absatzzahlen und Gewinne zu prognostizieren. Eine erste Untersuchung von Athanassopoulos (2004) für Bankfilialen, Restaurants sowie Wett- und Lotteriebüros zeigt signifikante Korrelationen zwischen Marketingeffizienz und Profitabilität. Für die Bankfilialen lag der Korrelationskoeffizient bei 0,38. Insgesamt schlussfolgert Athanassopoulos, dass Marketingeffizienzwerte gute Prädiktoren für die langfristige Überlebensfä737 738 739 740
Boles/Donthu/Lohtia (1995), S. 46. Vgl. Neely et al. (1995), S. 109. Vgl. Banker/Mashruwala (2004). Vgl. für erste Untersuchungen in diese Richtung Abad/Banker/Mashruwala (2004); Athanassopoulos (2004), S. 470 ff.; Banker/Mashruwala (2004) und Fernandez-Castro/Smith (2002), S. 86 f.
299 higkeit von Unternehmen darstellen. Interessant wäre in diesem Kontext die Untersuchung des Zusammenhangs von Insolvenzen und der (Marketing)effizienz. Eine geringe Marketingeffizienz ließe sich dann als ein Frühwarnsignal für einen möglichen Konkurs bzw. als ein Indikator zur Prognose des Konkursrisikos heranziehen. Ein zweites zukünftiges Forschungsfeld besteht darin, die Effizienz von Marketingbereichen im Zeitverlauf in Form von Zeitreihenanalysen zu untersuchen. Dies könnte die Erfüllung wichtiger Controlling-Aufgaben, wie z. B. das Erkennen zeitlicher Trends und das Ableiten von Ursachen für langfristige Performanceveränderungen, unterstützen, anhand derer gegensteuernde Maßnahmen wie etwa Strategiewechsel zu ergreifen wären. Wichtig ist dies auch für Bereiche, in denen Wirkungen zeitversetzt eintreten, etwa im Servicemarketing, wo sich eine intensive Beratung evtl. erst in späteren Perioden auf den Umsatz auswirkt. Ein „Performance Tracking“ über die Zeit bietet außerdem die Möglichkeit, die Wirkung der Umsetzung von DEA-basierten Handlungsempfehlungen zu überprüfen. Die zentrale Herausforderung dynamischer Effizienzanalysen besteht darin, Verbesserungen der Effizienz einer einzelnen DMU zu separieren von generellen Effizienzverbesserungen, die durch eine Verschiebung der Frontier etwa aufgrund von innovativen (Produktions)technologien entstehen. Findet keine Verschiebung des Randes statt, so hat eine Einheit ihre relative Effizienz gesteigert, sobald sie sich in Periode 2 auf den Rand zu bewegt hat. Kommt es gleichzeitig jedoch zu einer Verschiebung der Frontier in Periode 2, muss die Verbesserung entsprechend höher ausfallen, um eine Erhöhung der relativen Effizienz zu erreichen.741 Wird dies berücksichtigt, können Marketingmaßnahmen daraufhin überprüft werden, ob sie nur für einzelne Einheiten relevant waren oder ob sie die Effizienz sämtlicher Einheiten gesteigert haben. Dynamische Analysen liefern somit wichtige Informationen für die Kontrolle von Maßnahmen und die Gestaltung von Anreizsystemen. Hierzu müssen die fast ausschließlich im Produktionsbereich entwickelten dynamischen DEA-Modelle742 auf das Marketing übertragen werden. Erste Ansätze existieren im Vertriebsbereich in Form von Window-Analysen743 und Untersuchungen auf Basis des Malmquist-Indexes744. Diese gilt es voranzutreiben.
741 742
743 744
Vgl. Färe et al. (1995); Grifell-Tatje/Lovell (1997), S. 367 ff.; Tone (2004), S. 204 f. Vgl. Charnes et al. (1985); Färe/Grosskopf (1992, 1996); Sengupta (1995, 1999, 2000); Staat (2003); Thrall (2000). Vgl. Backhaus/Streffer/Wilken (2005); Charnes et al. (1997b). Vgl. Padberg/Werner (2005); Paradi/Vela/Yang (2004).
301
Literaturverzeichnis Aaker, D. A. (1991): Managing Brand Equity, New York. Aaker, D. A. / Carman, J. M. (1982): Are You Overadvertising?, Journal of Advertising Research, Vol. 22 (August/September), 57-70. Abad, C. / Banker, R. D. / Mashruwala, R. (2004): Information content of an efficiency measure for predicting operating income, Proceedings of the 4th International Symposium on DEA, Aston University, 30. Abraham, M. / Lodish, L. (1993): An implemented system for improving promotion productivity using store scanner data, Marketing Science, Vol. 12, No. 3, 248269. AC Nielsen (2001): New Car Buyer Survey, Report, New York. Achabal, D. D. / Heineke, J. M. / McIntyre, S. H. (1984): Issues and Perspetives on Retail Productivity, Journal of Retailing, Vol. 60, No. 3, 107-127. ADAC (1997): Nachgefragt: Was taugen die Bestseller unter den Kompakten?, ADAC Motorwelt, Nr. 10, 33-40. ADAC (2004): Autokauf-Kriterien, ADAC Motorwelt, Nr. 7, 6. Adkins, R. T. (1979): Evaluating and Comparing Salesmen’s Performance, Industrial Marketing Management, Vol. 8 (June), 207-212. Advertising Age (2005): The annual 100 leading national advertisers, Special Report, June 27, 2005. Affuso, L. / Angeriz, A. / Pollitt, M. (2002): Measuring the Efficiency of Britain’s Privatised Train Operating Companies, Regulation Initiative Discussion Paper Series, No. 48, London Business School. Aigner, D. J. / Chu, S. F. (1968): On estimating the industry production function, The American Economic Review, Vol. 58, No. 4, 826-839. Aigner, D. J. / Lovell, C. A. K. / Schmidt, P. (1977): Formulation and estimation of stochastic frontier production function models, Journal of Econometrics, Vol. 6, 21-37. Ailawadi, K. / Lehmann, D. R. / Neslin, S. A. (2003): Revenue Premium as an Outcome Measure of Brand Equity, Journal of Marketing, Vol. 67, No. 4, 1-17.
302 Albers, S. (1998): Regeln für die Allokation eines Marketing-Budgets auf Produkte oder Marktsegmente, Zeitschrift für betriebswirtschaftliche Forschung, 50. Jg., 211–235. Albers, S. (2000): Impact of Types of Functional Relationships, Decisions, and Solutions on the Applicability of Marketing Models, International Journal of Research in Marketing, Vol. 17, 169-175. Albers, S. / Skiera, B. (2002): Einsatzplanung eines Verkaufsaußendienstes auf der Basis von Umsatzreaktionsfunktionen, Zeitschrift für Betriebswirtschaft, 72. Jg., 1105-1131. Alderson, W. (1948): A Formula for Measuring Productivity in Distribution, Journal of Marketing, Vol. 12, 442-448. Ali, A. I. / Cook, W. D. / Seiford, L. M. (1991): Strict vs. Weak Ordinal Relations for Multipliers in Data Envelopment Analysis, Management Science, Vol. 37, No. 6, 733-738. Allen, K. (2002): Messung ökologischer Effizienz mittels Data Envelopment Analysis, Wiesbaden. Allen, R. / Athanassopoulos, A. / Dyson, R. G. / Thanassoulis, E. (1997): Weight restrictions and value judgements in data envelopment analysis, Annals of Operations Research, Vol. 73, 13-34. Alpar, P. / Janisch, R. / Porembski, M. / Rösch, H.-D. (2000): Erfolgreiche Produktivitäts-Analyse mit DEA, Betriebswirtschaftliche Blätter, 49. Jg., 477-483. Al-Shammari, M. (1999): A multi-criteria data envelopment analysis model for measuring the productive efficiency of hospitals, International Journal of Operations and Production Management, Vol. 19, 879-890. Andersen, P. / Petersen, N. C. (1993): A procedure for ranking efficient units in DEA, Management Science, Vol. 39, No. 10, 1261-1264. Anderson, E. / Weitz, B. A. (1986): Make-or-Buy Decisions: Vertical Integration and Marketing Productivity, Sloan Management Review, Vol. 27, No. 3, 3 - 19. Andresen, T. / Esch, F.-R. (1999): Messung der Markenstärke durch den Markeneisberg, in: Esch, F.-R. (Hrsg.): Moderne Markenführung, Wiesbaden, 1011 - 1033. Angehrn, O. (1978): Erfolgsanalyse und Erfolgskontrolle im Marketing, in: WeinholdStünzi, H. (Hrsg.): Unternehmung und Markt: systemtheoretische und prognostische Betrachtung zu Marketing und Distribution, St. Gallen, 258-269.
303 Athanassopoulos A.D. (1998a): Multivariate and frontier analysis for assessing the market and cost efficiency of large scale bank branch networks, Journal of Money and Credit Banking, Vol. 30, No. 2, 173-192. Athanassopoulos, A. D. (1998b): Optimization models for assessing marketing efficiency in multi-branch organisations, International Review of Retail, Distribution and Consumer Research, Vol. 8, No. 4, 415-443. Athanassopoulos, A. D. (2004): Assessing the selling function in retailing, in: Cooper, W. W. / Seiford, L. M. / Zhu, J. (Eds.): Handbook on data envelopment analysis, Boston, 445-480. Athanassopoulos, A. D. / Ballantine, J. A. (1995): Ratio and Frontier Analysis for Assessing Corporate Performance - Evidence from the Grocery Industry in the UK, The Journal of the Operational Research Society, Vol. 46, No. 4, 427-440. Athanassopoulos, A. D. / Thanassoulis, E. (1995): Seperating Market Efficiency from Profitability and Its Implications for Planning, The Journal of the Operational Research Society, Vol. 46, No. 1, 20-34. Auerbach, H. / Czenskowsky, T. (2003): Marketing-Controlling im Spannungsfeld, in Pepels, W. (Hrsg.): Marketing-Controlling-Kompetenz, Berlin, 17-31. Backes-Gellner, U. / Zanders, E. (1989): Lehre und Forschung als Verbundproduktion: Data Envelopment Analysen und organisationsökonomische Interpretationen der Realität in wirtschaftswissenschaftlichen Fachbereichen, Zeitschrift für Betriebswirtschaft, 59. Jg., Nr. 3, 271-290. Backhaus, K. / Streffer, T. / Wilken, R. (2005): Dynamische Effizienzmessung als Instrument im Marketing-Controlling - Eine empirische Analyse der Window Analyse, Arbeitspapier Nr. 40/2005, Institut für Anlagen und Systemtechnologien, Münster. Backhaus, K. / Wilken, R. (2003): Effizienzmessung im Marketing mit Data Envelopment Analysis - Eine methodische Bestandsaufnahme, Arbeitspapier Nr. 34/2003, Institut für Anlagen und Systemtechnologien, Münster. Bagozzi, R. P. (1978): Salesforce performance and satisfaction as a function of individual difference, interpersonal, and situational factors, Journal of Marketing Research, Vol. 15 (November), 517-531. Baker, R. C. / Talluri, S. (1997): A Closer Look at the Use of Data Envelopment Analysis for Technology Selection, Computers & Industrial Engineering, Vol. 32, No. 1, 101-108.
304 Ball, R. / Roberts, E. / Thomas, R. (1999): Lessons learned for DEA practice from health care application in the UK, in: Westermann, G. (Ed.): Data Envelopment Analysis in the Service Sector, Wiesbaden, 133-157. Bamberg, G. / Coenenberg, A. C. (2004): Betriebswirtschaftliche Entscheidungslehre, 12. überarb. Aufl., München. Bamberger, P. / Fiegenbaum, A. (1996): The role of strategic reference points in explaining the nature and consequences of human resource strategy, Academy of Management Review, Vol. 21, No. 4, 926-958. Banker, R. D. (1984): Estimating the most productive scale size using data envelopment analysis, European Journal of Operational Research, Vol. 17, 35-44. Banker, R. D. / Chang, H. / Cooper, W. W. (1996): Equivalence and implementation of alternative methods for determining returns to scale in Data Envelopment Analysis, European Journal of Operational Research, Vol. 89, 473-481. Banker, R. D. / Charnes, A. / Cooper, W. W. (1984): Models for the estimation of technical and scale efficiencies in data envelopment analysis, Management Science, Vol. 30, 1078-1092. Banker, R. D. / Cooper, W. W. / Seiford, L. M. / Zhu, J. (2004): Returns to Scale in DEA, in: Cooper, W. W. / Seiford, L. M. / Zhu, J. (Eds.): Handbook on data envelopment analysis, Boston, 41-73. Banker, R. D. / Johnston, H. H. (1997): Evaluating the Impacts of Operating Strategies on Efficiency in the U.S. Airline Industry, in: Charnes, A. / Cooper, W. W. / Lewin, A. Y. / Seiford, L. M. (Eds.): Data Envelopment Analysis: Theory, Methodology, and Application, Boston, 3rd ed., 97-128. Banker, R. D. / Maindiratta, A. (1988): Nonparametric analysis of technical and allocative efficiencies in production, Econometrica, Vol. 56, 1315-1332. Banker, R. D. / Mashruwala, R. (2004): Does the DEA efficiency score predict future profitability?, Proceedings of the 4th International Symposium on DEA, Aston University, 23. Banker, R. D. / Morey, R. C. (1986): The Use of Categorical Variables in Data Envelopment Analysis, Management Science, Vol. 32, No. 12, 1613-1627. Banker, R. D. / Natarajan, R. (2004): Statistical Tests Based on DEA Efficiency Scores, in: Cooper, W. W. / Seiford, L. M. / Zhu, J. (Eds.): Handbook on data envelopment analysis, Boston, 299-321. Banker, R. D. / Thrall, R. M. (1992): Estimation of returns to scale using Data Envelopment Analysis, European Journal of Operational Research, Vol. 62, 74-84.
305 Barger, H. (1955): Distribution’s Place in the American Economy since 1869, Princeton. Barth, W. / Staat, M. (2005): Environmental variables and relative efficiency of bank branches: a DEA-bootstrap approach, International Journal of Business Performance Management, Vol. 7, No. 3, 228-240. Battese, G. / Corra, G. (1977): Estimation of a production frontier model with application to the pastoral zone of eastern Australia, Australian Journal of Agricultural Economics, Vol. 21, No. 3, 167-179. Bauer, Ch. (2002): Moderne Benchmarking-Ansätze, Diplomarbeit, Universität Mannheim. Bauer, H. H. (1989): Marktabgrenzung: Konzeption und Problematik von Ansätzen und Methoden zur Abgrenzung und Strukturierung von Märkten unter besonderer Berücksichtigung von marketingtheoretischen Verfahren, Berlin. Bauer, H. H. (1995): Wege der Marketingkritik, in: Bauer, H. H. / Diller, H. (Hrsg.): Wege des Marketing, Berlin, 137-159. Bauer H. H. (2000): Megatrends in Handel und Distribution als Herausforderung für das Vertriebsmanagement, Management Know-how Papier M 47, Institut für Marktorientierte Unternehmensführung, Mannheim. Bauer, H. H. (2004): Nutzenorientierte Markenführung im Internet, Management Know-how Papier M 88, Institut für Marktorientierte Unternehmensführung, Mannheim. Bauer, H. H. / Falk, T. / Hammerschmidt, M. (2006): eTransQual: A Transaction Process-Based Approach for Capturing Service Quality in Online Shopping, forthcoming in: Journal of Business Research, Vol. 59. Bauer, H. H. / Fischer, M. / Pfahlert, V. (2001): Lohnt sich für Pharmaunternehmen der Markteintritt als Late Mover? Ergebnisse einer Rentabilitätsanalyse, Zeitschrift für betriebswirtschaftliche Forschung, 53. Jg., 632–648. Bauer, H. H. / Hammerschmidt, M. (2002): Produkt-Controlling als Schnittstelle zwischen Marketing und Produktion, in: Lingnau, V. / Schmitz, H. (Hrsg.): Aktuelle Aspekte des Controllings, Heidelberg / New York, 1-21. Bauer, H. H. / Hammerschmidt, M. (2003): Marketingeffizienz durch Best Practice Analyse am Beispiel des Vertriebsbenchmarking, in: Wildemann, H. (Hrsg.): Führungsverantwortung -Bewährte oder innovative Managementmethoden?, München, 483-496.
306 Bauer, H. H. / Hammerschmidt, M. / Garde, U. (2004a): Marketingeffizienzanalyse mittels Efficient Frontier Benchmarking - Eine Anwendung der Data Envelopment Analysis, Wissenschaftliches Arbeitspapier W 72, Institut für Marktorientierte Unternehmensführung, Mannheim. Bauer, H. H. / Hammerschmidt, M. / Garde, U. (2004b): Messung der Werbeeffizienz - Eine Untersuchung am Beispiel von Online-Werbung, Wissenschaftliches Arbeitspapier W 78, Institut für Marktorientierte Unternehmensführung, Mannheim. Bauer, H. H. / Hammerschmidt, M. / Staat, M. (2002): Analyzing Product Efficiency A Customer-Oriented Approach, Wissenschaftliches Arbeitspapier W 57, Institut für Marktorientierte Unternehmensführung, Mannheim. Bauer, H. H. / Herrmann, A. (1992): Eine Methode zur Abgrenzung von Märkten, Zeitschrift für Betriebswirtschaft, 62. Jg., 1341-1360. Bauer, H. H. / Herrmann, A. / Graf, G. (1995): Die nutzenorientierte Gestaltung der Distribution für ein Produkt, Jahrbuch der Absatz- und Verbrauchsforschung, 41. Jg., Nr. 1, 4-15. Bauer, H. H. / Herrmann, A. / Mengen, A. (1996). Eine Methode zur gewinnmaximalen Produktgestaltung auf der Basis des Conjoint Measurement, Zeitschrift für Betriebswirtschaft, 64. Jg., Nr. 1, 81-94 Bauer H. H. / Huber, F. (1997): Der Wert der Marke, Management Know-how Papier M 31, Institut für Marktorientierte Unternehmensführung, Mannheim. Bauer, H. H. / Klein-Bölting, U. / Murad-Aga, Th. / Sander, B. / Valtin, A. (2004): Brand Equity Excellence, Band 3, Brand Equity Drivers Modell, Düsseldorf. Bauer, H. H. / Mäder, R. / Fischer, Ch. (2003): Determinanten der Wirkung von Online-Markenkommunikation, Marketing ZFP, 25. Jg., Nr. 4, 227-241 Bauer, H. H. / Meeder, U. / Jordan, J. (2002a): Werbung: Der große Spagat zwischen Kreativität und Controlling, Absatzwirtschaft, 45. Jg., Nr. 8, 50-53. Bauer, H. H. / Meeder, U. / Jordan, J. (2002b): Werbung: Advertising Benchmarks – was steckt dahinter?, Absatzwirtschaft, 45. Jg., Nr. 9, 56-59. Bauer, H. H. / Neumann, M. (2002): Entscheidungskriterien werbetreibender Unternehmen beim Einsatz von Online-Marketing, Arbeitspapier E 1, Lehrstuhl für ABWL und Marketing II, Universität Mannheim. Bauer, H. H. / Rösger, J. / Valtin, A. (2004): Nutzenorientierte Markenführung im Internet, in: Bauer, H. H. / Rösger, J. / Neumann, M. (Hrsg.): Konsumentenverhalten im Internet, München, 297-312.
307 Bauer, H. H. / Sauer, N. E. / Hammerschmidt, M. (2005): Werden gute Produkte honoriert?, Science Factory, 7. Jg., Nr. 2, S. 1-5. Bauer, H. H. / Staat, M. / Hammerschmidt, M. (2000): Produkt-Controlling: Eine Untersuchung mit Hilfe der Data Envelopment Analysis (DEA), Wissenschaftliches Arbeitspapier W 45, Institut für Marktorientierte Unternehmensführung, Mannheim. Bauer, H. H. / Staat, M. / Hammerschmidt, M. (2001): Integrating Market Partitioning, Benchmarking and Product Positioning: A Value-Based Application of Data Envelopment Analysis, Proceedings of the 25th annual Conference of the German Classification Society, München. Bauer, H. H. / Staat, M. / Hammerschmidt, M. (2002): Value-Based Benchmarking and Market Partitioning, in: Opitz, O. / Schwaiger, M. (Eds.): Exploratory Data Analysis in Empirical Research, Berlin, 422-432. Bauer, P. W. (1990): Recent developments in the econometric estimation of frontiers, Journal of Econometrics, Vol. 46, 39-56. Bauer, P. W. / Berger, A. N. / Ferrier, G. D. / Humphrey, D. B. (1998): Consistency Conditions for Regulatory Analysis of Financial Institutions: A Comparison of Frontier Efficiency Methods, Journal of Economics and Business, Vol. 50, No. 2, 85-114. Baum, H.-G. / Przybilla, R. P. (2003): Benchmarking als Wettbewerbssurrogat: DEAbased Yardstick Competition in der Abfallwirtschaft, Zeitschrift für öffentliche und gemeinwirtschaftliche Unternehmen, 26. Jg., 219 – 240. Bayón, T. (1997): Neuere Mikroökonomie und Marketing - Eine wissenschaftstheoretisch geleitete Analyse, Wiesbaden. BBDO (2004): Markenbewertung etabliert sich auf der Top-Management-Agenda, BBDO Point of View, Nr. 5, 4-10. Bearden, W. O. / Etzel, M. J. (1982): Reference Group Influence on Product and Brand Purchase Decision, Journal of Consumer Research, Vol. 9 (September), 183-194. Beasley, J. E. (1990): Comparing University Departments, Omega, Vol. 18, 171-183. Beckman, T. N. (1957): The Value Added Concept as a Measurement of Output, Advanced Management, Vol. 22, No. 4, 6-9. Beckman, T. N. (1960): Measuring Productivity in Marketing, Proceedings of the Business and Economics Statistics Section, American Statistical Association, Washington.
308 Beckman, T. N. (1965): Marketing Productivity - Appraisal and Challenge, in: Heskett, J. L. (Ed.): Papers of the Theodore N. Beckman Symposium on Marketing Productivity, Columbus, 59-72. Bekmeier-Feuerhahn, S. (1998): Marktorientierte Markenbewertung – Eine konsumenten- und unternehmensbezogene Betrachtung, Wiesbaden. Belton, V. / Vickers, S. P. (1993): Demystifying DEA - A Visual Interactive Approach Based on Multiple Criteria Analysis, The Journal of the Operational Research Society, Vol. 44, No. 9, 883-896. Berg, S. A. / Forsund, F. R. / Hjalmarsson, L. / Suominen, M. (1993): Banking efficiencies in the Nordic countries, Journal of Banking and Finance, Vol. 17, No. 2, 371-388. Berger, A. N. (1993): "Distribution-Free" Estimates of Efficiency in the U.S. Banking Industry and Tests of the Standard Distributional Assumptions, Journal of Productivity Analysis, Vol. 4, 261-292. Berger, A. N. / Hancock, D. / Humphrey, D. B. (1993): Bank Efficiency Derived from the Profit Function, Journal of Banking and Finance, Vol. 17. No. 2/3, 317-348. Berger, A. N. / Humphrey, D. B. (1997): Efficiency of financial institutions: International survey and directions for future research, European Journal of Operational Research, Vol. 98, 175-212. Bernard, J. / Cantner, U. / Westermann, G. (1993): Technological Leadership and Variety - A Data Envelopment Analysis for the French Machinery Industry, Volkswirtschaftliche Diskussionsreihe, Nr. 106, Universität Augsburg. Bhargava, M. / Dubelaar, C. / Ramaswami, S. (1994): Reconciling Diverse Measures of Performance – A Conceptual Framework and Test of a Methodology, Journal of Business Research, Vol. 31, 235 – 246. Bhargava, M. / Kim, J. (1995): Efficiency in Advertising: Data Envelopment Analysis of Print Ads, in: Stewart, D. W. (Ed.): Marketing theory and applications, AMA Summer Educators’ Conference, Amercian Marketing Association, Chicago, 209216. Blattberg, R. C. / Neslin, S. A. (1989): Sales Promotion: The Long and the Short of It, Marketing Letters, Vol. 1, No. 1, 81-97. Böcker, F. (1988): Marketing-Kontrolle, Stuttgart. Böhnert, A. (1998): Benchmarking: Charakeristik eines aktuellen Managementinstruments, Hamburg.
309 Bohr, K. (1993): Effizienz und Effektivität, in: Wittmann, W. / Kern, W. / Köhler, R. / Küpper, H.-U. / Wysocki, K. v. (Hrsg.): Handwörterbuch der Betriebswirtschaft, 5. Aufl., Stuttgart, Sp. 855-870. Boles, J. S. / Donthu, N. / Lohtia, R. (1995): Salesperson Evaluation Using Relative Performance Efficiency: The Application of Data Envelopment Analysis, Journal of Selling & Sales Management, Vol. 15, No. 3, 31–49. Bonoma, T. V. / Clark, B. H. (1992): Marketing Performance Assessment, 2nd ed., Boston. Bouyssou, D. (1999): Using DEA as a tool for MCDM: some remarks, The Journal of the Operational Research Society, Vol. 50, 974-978. Bowlin W. F. / Charnes A. / Cooper W. W. / Sherman H. D. (1985): Data Envelopment Analysis and Regression Approaches to Efficiency Estimation and Evaluation, Annals of Operations Research, Vol. 61, 113-138. Braglia, M. / Petroni, A. (1999): Evaluating and selecting investments in industrial robots, International Journal of Production Research, Vol. 37, No. 18, 4157-4178. Brieter (2004): Die Bilanz der Gelben Engel, ADAC Motorwelt, Nr. 5, 10-18. Bruhn, M. / Georgi, D. (2005): Wirtschaftlichkeit des Kundenbindungsmanagement, in: Bruhn, M. / Homburg, Ch. (Hrsg.): Handbuch Kundenbindungsmanagement – Strategien und Instrumente für ein erfolgreiches CRM, 5. überarb. u. erw. Aufl., Wiesbaden, 589-619. Bryce, C. L. / Engberg, J. B. / Wholey, D. R. (2000): Comparing the agreement among alternative models in evaluating HMO efficiency, Health Service Research, Vol. 35, 509-528. Bucklin, L. P. (1978a): Productivity in marketing, Chicago. Bucklin, L. P. (1978b): Research in productivity measurement for marketing decisions, Research in Marketing, Vol. 1, 1-22. Bürkle, B. (1997): Effizienzmessung im Gesundheitswesen - Möglichkeiten und Grenzen der Data Envelopment Analysis, Nürnberg. Büschken, J. (2003): Performance of Efficiency Measurement Models - A Study of Brand Advertising Efficiency in the German Car Industry, CU Working Paper No. 164, Ingolstadt. Büschken, J. (2006): Determinants of Brand Advertising Inefficiency - Evidence from the German Car Market, forthcoming in: The Journal of Advertising, Vol. 35.
310 Bukh, P. N. D. / Berg, S. A. / Forsund, F. R. (1995): Banking efficiency in the Nordic countries: A four-country Malmquist index analysis, Working Paper, University of Aarhus, Denmark. Bulla, S. / Cooper, W. W. / Park, K. S. / Wilson, D. (2000): Evaluating Efficiencies of Turbofan Jet Engines: A Data Envelopment Analysis Approach, Journal of Propulsion and Power, Vol. 16, No. 3, 431-439. Bush, A. / Smart, D. / Nichols, E. (2002): Pursuing the concept of marketing productivity, Journal of Business Research, Vol. 55, No. 5, 343 – 347. Byrnes, P. / Valdmins, V. (1997): Analyzing Technical and Allocative Efficiency of Hospitals, in: Charnes, A. / Cooper, W. W. / Lewin, A. Y. / Seiford, L. M. (Eds.): Data Envelopment Analysis: Theory, Methodology, and Application, 3rd ed., Boston, 129-144. Camp, R. C. (1992): Benchmarking: the search for industry best practices that lead to superior performance, 7th ed., Milwaukee. Camp, R. (1994): Benchmarking, München. Cantner, U. / Hanusch, H. (1998): Effizienzanalyse mit der Data Envelopment Analysis, Wirtschaftswissenschaftliches Studium, 27. Jg., 228-237. Cavallo, L. / Rossi, S. P. S. (2002): Do environmental variables affect the performance and technical effciency of the European banking systems? A parametric analysis using the stochastic frontier approach, The European Journal of Finance, Vol. 8, 123-146. Chang, Y. / Thomas, H. (1989): The impact of diversification strategy on risk-return performance, Strategic Management Journal, Vol. 10, No. 3, 271-284. Charnes, A. / Clark, C. T. / Cooper, W. W. / Golany, B. (1985): A developmental study of data envelopment analysis in measuring the efficiency of maintenance units in the U.S. Air Forces, Annals of Operations Research, Vol. 2, 95-112. Charnes, A. / Cooper, W. W. (1962): Programming with Linear Fractional Functionals, Naval Research Logistics Quarterly, Vol. 9, No. 3/4, 181-186. Charnes, A. / Cooper, W. W. / Divine, D. / Ruefli, T. W. / Thomas, D. (1989): Comparisons of DEA and existing Ratio and Regression Systems for effecting Efficiency Evaluations of regulating Electric Cooperatives in Texas, Research in Governmental and Nonprofit Accounting, Vol. 5, 187-210. Charnes, A. / Cooper, W. W. / Golany, B. / Learner, D. B. / Phillips, F. Y. / Rousseau, J. J. (1997b): A Multiperiod Analysis of Market Segments and Brand Efficiency in the Competitive Carbonated Beverage Industry, in: Charnes, A. / Cooper, W. W. /
311 Lewin, A. Y. / Seiford, L. M. (Eds.): Data Envelopment Analysis: Theory, Methodology, and Application, 3rd ed., Boston, 145-165. Charnes, A. / Cooper, W. W. / Golany, B. / Seiford, L. M. / Stutz, J. (1985): Foundations of data envelopment analysis for Pareto-Koopmans efficient empirical production functions, Journal of Econometrics, Vol. 30, 91-107. Charnes, A. / Cooper, W. W. / Huang, Z. M. / Sun, D. B. (1990): Polyhedral coneratio DEA models with an illustrative application to large commercial banks, Journal of Econometrics, Vol. 46, 73-91. Charnes, A. / Cooper, W. W. / Lewin, A. Y. / Seiford, L. M. (1997a): Data Envelopment Analysis: Theory, Methodology, and Application, 3rd ed., Boston. Charnes, A. / Cooper, W. W. / Rhodes, E. (1978), Measuring the Efficiency of Decision Making Units, European Journal of Operational Research, Vol. 2, 429-444. Charnes, A. / Cooper, W. W. / Rhodes, E. (1981): Evaluating Program and Managerial Efficiency - An Application of Data Envelopment Analysis to Program Follow Through, Management Science, Vol. 27, No. 6, 668-697. Charnes, A. / Cooper, W. W. / Seiford, L. M. / Stutz, J. (1982): A multiplicative model for efficiency analysis, Socio Economic Planing Sciences, Vol. 16, 223-224. Charnes, A. / Cooper, W. W. / Wei, Q. L. / Huang, Z. M. (1989): Cone ratio data envelopment analysis and multi-objective programming, International Journal of Systems Science, Vol. 20, 1099-1118. Charnes, A. / Gallegos, A. / Hongyu, L. (1996): Robustly efficient parametric frontiers via Multiplicative DEA for domestic and international operations of the Latin American airline industry, European Journal of Operational Research, Vol. 88, 525-536. Chebat, J.-C. / Filiatrault, P. / Katz, A. / Maital, S. (1994): Strategic Auditing of Human an Financial Resource Allocation in Marketing - An Empirical Study Using Data Envelopment Analysis, Journal of Business Research, Vol. 47, 197-207. Chilingerian, J. A. / Sherman, H. D. (1997): DEA and primary care physician report cards, Annals of Operations Research, Vol. 73, 35-66. Chilingerian, J. A. / Sherman, H. D. (2004): Health care Applications, in: Cooper, W. W. / Seiford, L. M. / Zhu, J. (Eds.): Handbook on data envelopment analysis, Boston, 481-537. Clark, B. H. (1999): Marketing Performance Measures: History and Interrelationships, Journal of Marketing Management, Vol. 15, 711-732.
312 Clark, B. H. (2000): Assessing marketing performance: History and Challenges, International Journal of Business Performance Management, Vol. 2, Nr. 1/2/3, 42-55. Coelli, T. / Perelman, S. (1999): Theory and Methodology: A Comparison of Parametric and Non-Parametric Distance Functions: With Application to European Railways, European Journal of Operational Research, Vol. 117, 326-39. Coelli, T. J. / Rao, D. S. P. / O’Donnell, C. J. / Battese, G. E. (2005): An introduction to efficiency an productivity analysis, 2nd ed., New York. Cook, W D. / Johnston, A. / McCutcheon, D. M. (1992): Implementations of Robotics: Identifying Efficient Implementators, Omega, Vol. 20, 227-239. Cooper, W. W. / Li, S. / Seiford, L. M. / Zhu, J. (2004): Sensitivity Analysis in DEA, in: Cooper, W. W. / Seiford, L. M. / Zhu, J. (Eds.): Handbook on data envelopment analysis, Boston, 75-98. Cooper, W. W. / Seiford, L. M. / Tone, K. (2000): Data Envelopment Analysis, Boston. Corr, A. (1976): A Cost-Effectiveness Approach to Marketing Outlays, Management Accounting, January, 33-26. Corsten, H. (2004): Produktionswirtschaft, 10., vollst. überarb. Aufl., München / Wien. Corsten, H. / Gössinger, R. (2004): Überlegungen zur Produktionstheorie, Zeitschrift für Betriebswirtschaft, 74. Jg., 511-522. Corsten, H. / Gössinger, R. (2006): Output-Flexibilität in der Dienstleistungsproduktion – Eine produktionstheoretische Analyse, Zeitschrift für Betriebswirtschaft, 76. Jg., 29-53. Cox, R. / Goodman, C. / Fichandler, T. (1965): Distribution in a High-Level Economy, Englewood Cliffs. Crimmins, J. (1992): Better Measurement and Management of Brand Value, Journal of Advertising Research, Vol 32 (July/August), 11-20. Crössmann, J. (2003): Marketing-Controlling-Erfolgskennzahlen, in: Pepels, W. / Birker, K. (Hrsg.): Marketing-Controlling-Organisation, Berlin, 81-105. Cubbin, J. / Tzanidakis, G. (1998): Techniques for analyzing company performance, Business Strategy Review, Vol. 9, No. 4, 37-46. Cummins, D. J. / Zi, H. (1998): Comparison of frontier efficiency methods: An application to the U. S. life insurances industry, Journal of Productivity Analysis, Vol. 10, 131-152.
313 Daum, D. (2001): Marketingproduktivität: Konzeption, Messung und empirische Analyse, Wiesbaden. Davidson, J. H. (1999): Transforming the Value of Company Reports through Marketing Measurement, Journal of Marketing Management, Vol. 15, 757-777. Day, G. S. / Shocker, A. D. / Srivastava, R. K. (1979): Customer-Oriented Approaches to Identifying Product-Markets, Journal of Marketing, Vol. 43 (Fall), 819. De Borger, B. / Kerstens, K. (1996): Cost efficiency of Belgian local governments: A comparative analysis of FDH, DEA, and econometric approaches, Regional Science and Urban Economics, Vol. 26, 145-170. De Borger, B. / Kerstens, K. / Moesen, W. / Vanneste, J. (1994a): A non-parametric Free Disposal Hull (FDH) approach to technical efficiency, Swiss Journal of Economics and Statistics, Vol. 130, No. 4, 647-667. De Borger, B. / Kerstens, K. / Moesen, W. / Vanneste, J. (1994b): Explaining differences in productive efficiency: An application to Belgian Municipalities, Public Choice, Vol. 80, 339-358. Deaton, A. / Muellbauer, J. (1999): Economics and Consumer Behavior, Cambridge et al. Debreu, G. (1951): The Coefficient of Resource Utilization, Econometrica, Vol. 19, No. 3, 273-292. Dellmann, K. / Pedell, K. L. (1994): Controlling von Produktivität, Wirtschaftlichkeit und Ergebnis, Stuttgart. Denison, E. F. (1970): Why Growth Rates Differ, 4th ed., Washington. Deprins, D. / Simar L. (1989): Estimating Technical Inefficiencies With Correction For Environmental Conditions - With an application to railway companies, Annals of Public and Cooperative Economics, 81-101. Deprins, D. / Simar, L. / Tulkens, H. (1984): Measuring labour efficiency in post offices, in: Marchand, M. / Pestieau, P. / Tulkens, H. (Eds.): The performance of public enterprises: Concepts and measurements, Amsterdam, 243-267. DeSarbo, W. S. / Wu, J. (2001), The Joint Spatial Representation of Multiple Variable Batteries Collected in Marketing Research, Journal of Marketing, Vol. 38 (May), 244-253. DeYoung, R. (1997): A Diagnostic Test for the Distribution-Free Efficiency Estimator, European Journal of Operational Research, Vol. 98, No. 2, 243-249.
314 DiMaggio, P. J. / Powell, W. W. (1983): The iron cage revisited, American Sociological Review, Vol. 48, No. 2, 147-160. Dodson, J. / Tybout, A. / Sternthal, B. (1978): Impact of Deals and Deal Retraction on Brand Switching, Journal of Marketing Research, Vol. 15, No. 1, 72-81. Donthu, N. / Hershberger, E. / Osmonbekov, T. (2005): Benchmarking Marketing Productivity Using Data Envelopment Analysis, Journal of Business Research, Vol. 58, 1474-1482. Donthu, N. / Yoo, B. (1998): Retail productivity assessment using data envelopment analysis, Journal of Retailing, Vol. 74, 89-107. Doutt, J. (1984): Comparative productivity performance in fast-food retail distribution, Journal of Retailing, Vol. 60, 98-106. Doyle, J. R. / Green, R. H. (1991): Comparing Products Using Data Envelopment Analysis, Omega, Vol. 19, 631-638. Doyle, J. R. / Green, R. H. (1994): Strategic choice and data envelopment analysis – comparing computers across many attributes, Journal of Information Technology, Vol. 9, 61 – 69. Doyle, J. R. / Green, R. H. (1995): Cross Evaluation in DEA: Improving discrimination among DMUs, INFOR, Vol. 33, No. 3, 205-222. Drucker, P. (1974): Management: Tasks, Responsibilities, Practices, New York. Dubelaar, C. / Bhargava, M. / Ferrarin, D. (2002): Measuring retail productivity – What really matters?, Journal of Business Research, Vol. 55, 417-426. Dula, J. H. / Hickman, B. L. (1997): Effects of excluding the column being scored from the DEA envelopment LP technology matrix, The Journal of the Operational Research Society, Vol. 48, 1001-1012. Dyckhoff, H. (1993): Aktivitätsanalyse, in: Wittmann, W. / Kern, W. / Köhler, R. / Küpper, H.-U. / Wysocki, K. v. (Hrsg.): Handwörterbuch der Betriebswirtschaft, 5. Aufl., Stuttgart, Sp. 57-68. Dyckhoff, H. (1994): Betriebliche Produktion, 2. Aufl., Berlin et al. Dyckhoff, H. (2000): Grundzüge der Produktionswirtschaft, 3. überarb. Aufl., Berlin et al. Dyckhoff, H. (2003): Neukonzeption der Produktionstheorie, Zeitschrift für Betriebswirtschaft, 73. Jg., 705-732.
315 Dyckhoff, H. (2006): Analyse der Werbeeffizienz mit Advanced DEA, erscheint in: Bauer, H. H. / Staat, M. / Hammerschmidt, M. (Hrsg.): Marketingeffizienz: Messung und Steuerung mit der DEA – Konzept und Einsatz in der Praxis, München. Dyckhoff, H. / Ahn, H. (2001): Sicherstellung der Effektivität und Effizienz der Führung als Kernfunktion des Controlling, Kostenrechnungspraxis, 45. Jg., Nr. 2, 111-121. Dyckhoff, H. / Allen, K. (1999): Theoretische Begründung einer Effizienzanalyse mittels Data Envelopment Analysis (DEA), Zeitschrift für betriebswirtschaftliche Forschung, 51. Jg., 411–436. Dyckhoff, H. / Gilles, R. (2004): Messung der Effektivität und Effizienz produktiver Einheiten, Zeitschrift für Betriebswirtschaft, 74. Jg., 765-783. Dyson, R. G. / Allen, R. / Camanho, A. S. / Podinovski, V. V. / Sarrico, C. S. / Shale, E. A. (2001): Pitfalls and protocols in DEA, European Journal of Operational Research, Vol. 132, No. 2, 245-259. Dyson, R. G. / Thanassoulis, E. (1988): Reducing weight flexibility in data envelopment analysis, The Journal of the Operational Research Society, Vol. 39, No. 6, 563-576. Edgett, S. / Snow, K. (1997): Benchmarking measures of customer satisfaction, quality and performance for financial products, Journal of Product & Brand Management, Vol. 6, 250-259. Eisenführ, F. / Weber, M. (2003): Rationales Entscheiden, 4. Aufl., Berlin et al. Engeser, M. (2003): Mehr Kopf, weniger Bauch, Wirtschaftswoche, Nr. 45, 50-52. Epstein, M. K. / Henderson, J. C. (1989): Data Envelopment Analysis for Managerial Control and Diagnosis, Decision Sciences, Vol. 20, No. 1, S. 90-199. Erichson, B. / Maretzki, J. (1993): Werbeerfolgskontrolle, in: Berndt, R. / Hermanns, A. (Hrsg.): Handbuch Marketing-Kommunikation, Wiesbaden, 521-560. Esser, J. (2001): Entscheidungsorientierte Erweiterung der Produktionstheorie, Frankfurt/M. Färe, R. / Lovell, C. A. K. (1978): Measuring the technical efficiency of production, Journal of Economic Theory, Vol. 19, 150-162. Färe, R. / Grosskopf, S. (1992): Malmquist Indexes and Fisher Ideal Indexes, The Economic Journal, Vol. 102, 158-160. Färe, R. / Grosskopf, S. (1996): Intertemporal Production Frontiers: With Dynamic DEA, Boston et al.
316 Färe, R. / Grosskopf, S. / Lindgren, B. / Roos, R. (1995): Productivity Developments in Swedish Hospitals, in: Charnes, A. / Cooper, W. W. / Lewin, A. Y. / Seiford, L. M. (Eds.): Data Envelopment Analysis: Theory, Methodology, and Application, Boston, 253-272. Färe, R. / Grosskopf, S. / Lovell, C. A. K. (1985): The measurement of efficiency of production, Boston. Färe, R. / Grosskopf, S. / Lovell, C. A. K. (1994): Production Frontiers, Cambridge. Fandel, G. (1980): Zum Stand der betriebswirtschaftlichen Theorie der Produktion, Zeitschrift für Betriebswirtschaft, 50. Jg., 86-111. Fandel, G. (2005): Produktion, Band 1, Produktions- und Kostentheorie, 6. Aufl., Berlin et al. Farquhar, P. H. (1989): Managing Brand Equity, Journal of Consumer Research, Vol. 30, 7-12. Farrell, M. J. (1957): The Measurement of Productive Efficiency, Journal of the Royal Statistical Society, Series A, Vol. 120, No. 3, 253-281. Feder, R. (1965): How to measure marketing performance, Harvard Business Review, Vol. 43 (May/June), 132-142. Fernandez-Castro, A. S. / Smith, P. C. (2002): Lancaster's characteristics approach revisited: product selection using non-parametric methods, Managerial and Decision Economics, Vol. 23, No. 2, 83-91. Fiegenbaum, A. (1990): Prospect Theory and the Risk-return Association: An empirical examination in 85 industries, Journal of Economic Behavior and Organization, Vol. 14, No. 2, 187-204. Fiegenbaum, A. / Hart, S. / Schendel, D. (1996): Strategic reference point theory, Strategic Management Journal, Vol. 17, No. 3, 219-235. Fiegenbaum, A. / Thomas, H. (1988): Attitudes towards risk and the risk return paradox: Prospect theory explanations, Academy of Management Journal, Vol. 31, 85-107. Fischer, M. (2001a): Die Bedeutung der Wettbewerbsdynamik für den Lebenszyklusverlauf von Produkten, Die Betriebswirtschaft, 61. Jg., 443-461. Fischer, M. (2001b): Produktlebenszyklus und Wettbewerbsdynamik - Grundlagen für die ökonomische Bewertung von Markteintrittsstrategien, Wiesbaden. Fischer, M. (2004): Instrumente zur Messung der Marketingperformance, Thexis, 21. Jg., Nr. 3, 8-12.
317 Fischer, M. / Herrmann, A. / Huber, F. (2001): Return on Customer Satisfaction - Wie rentabel sind Maßnahmen zur Steigerung der Zufriedenheit?, Zeitschrift für Betriebswirtschaft, 71. Jg., 1161-1190. Fischer, M. / Meffert, H. / Perrey, J. (2004): Markenpolitik: Ist sie für jedes Unternehmen gleichermaßen relevant?, Die Betriebswirtschaft, 64. Jg., 333-356. Folkes, V. S. / Wheat, R. D. (1995): Consumer Price Perception of Promoted Products, Journal of Retailing, Vol. 71, No. 3, 317-328. Frei, F. / Harker, P. T. (1999): Measuring the Efficiency of Service Delivery Processes, Journal of Service Research, Vol. 1, 300-312. Gatignon, H. / Xuereb, J.-M. (1997): Strategic Orientation of the Firm and New Product Performance, Journal of Marketing Research, Vol. 34 (February), 77-90. Gedenk, K. (2002): Verkaufsförderung, München. Gedenk, K. / Neslin, S. A. (1999): The Role of Retail Promotion in Determining Future Brand Loyalty: Its Effect on Purchase Event Feedback, Journal of Retailing, Vol. 75, 433-459. Gelbert, A. / Böing, Ch. (2003): Gegenstand und Bedeutung des Brand Equity Managements, in: Göttgens, O. / Gelbert, A. / Böing, Ch. (Hrsg.): Profitables Markenmanagement: Strategien - Konzepte - Best Practices, Wiesbaden, 3-21. Gelbert, A. / Herrmann, A. / Schulz-Moll, P. / Thun, S. (2003): Brand Performance Driver Analysis – Allokation von Marketingbudgets auf die wirklichen Treiber der Marken-Performance, BBDO Insights, Nr. 4, 50-60. Gelbert, A. / Kam, P. / Büschken, J. (2002): Mit Integrated Marketing Efficiency Controlling die Kosten integrierter Kommunikation senken, BBDO Insights, Nr. 2, 4754 George, K. (1966): Productivity in Distribution, London. GfK/Wirtschaftswoche (2005): Werbeklimastudie I/2005, Nürnberg. Görtz, G. (2006): Verbraucherspezifische Promotionwirkungen, Wiesbaden. Görtz, G. / Hammerschmidt, M. (2006): Promotioneffizienz, erscheint in: Bauer, H. H. / Staat, M. / Hammerschmidt, M. (Hrsg.): Marketingeffizienz: Messung und Steuerung mit der DEA - Konzept und Einsatz in der Praxis, München. Golany, B. / Learner, D. B. / Phillips, F. Y. / Rousseau, J. J. (1990): Managing service productivity: the data envelopment analysis perspective, Computers, Environment and Urban Systems, Vol. 14, No. 2, 89-102.
318 Golany, B. / Phillips, F. Y. / Rousseau, J. J. (1993): Models for Improved Effectiveness based on DEA Efficiency Results, IIE Transactions, Vol. 25, 2-10. Goodman, S. (1967): Improved marketing Analysis of profitability, Relevant Costs, and Life Cycles, Financial Executive, Vol. 35, No. 6, 28-34. Green, R. H. / Doyle, J. R. (1997): Implementing Data Envelopment Analysis: Primal or Dual?, INFOR, Vol. 35, No. 1, 66-75. Greene, W. H. (1993): The econometric approach to efficiency analysis, in: Fried, H. O. / Lovell, C. A. K. / Schmidt, S. S. (Eds.): The measurement of productive efficiency, Oxford / New York, 68-119. Greene, W. H. (2003): Econometric analysis, 5th ed., Upper Saddle River et al. Greißinger, P. (2000): Wirtschaftlichkeitsanalysen im Gesundheitswesen, Wiesbaden. Grether, M. (2003): Marktorientierung durch das Internet – Ein wissensorientierter Ansatz für Unternehmen, Wiesbaden. Grewal, D. / Levy, M. / Mehotra, A. / Sharma, A. (1999): Planning Merchandising Decisions to Account for Regional and Product Assortment Differences, Journal of Retailing, Vol. 73, No. 3, 405–424. Grifell-Tatjé, E. / Lovell, C. A. K. (1997): The sources of productivity change in Spanish banking, European Journal of Operational Research, Vol. 98, 364-380. Guadagni, P. M. / Little, J. D. C. (1983), A Logit Model of Brand Choice Calibrated on Scanner Data, Marketing Science, Vol. 2, No. 3, 203-38. Gubelt, C. / Padberg, T. / Werner, T. (2000): Produktionstheoretische Untersuchung der Effizienz deutscher Sparkassen, Zeitschrift für öffentliche und gemeinwirtschaftliche Unternehmen, 23. Jg., Nr. 3, 289-303. Gupta, S. / Cooper, L. G. (1992): The Discounting of Discounts and Promotion Thresholds, Journal of Consumer Research, Vol. 19 (December), 401-411. Gutenberg, E. (1951): Grundlagen der Betriebswirtschaftslehre, Band 1, Die Produktion, Berlin. Gutenberg, E. (1955): Grundlagen der Betriebswirtschaftslehre, Band 2, Der Absatz, Berlin. Gutenberg, E. (1975): Einführung in die Betriebswirtschaftslehre, Wiesbaden. Hall, G. / Lloyd, T. (1985): The Usefulness of Hedonic Prices to the Consumers' Association, Applied Economics, Vol. 17, No. 2, 191-203.
319 Halme, M. / Joro, T. / Korhonen, P. / Salo, S. / Wallenius, J. (1999): A Value Efficiency Approach to Incorporating Preference Information in Data Envelopment Analysis, Management Science, Vol. 45, No. 1, 103-115. Hanow, G. A. (1999): Die Messung des Einflusses der Informationstechnologie auf die Produktivität von Kreditinstituten mit Hilfe der Data Envelopment Analysis, Marburg. Hawkins, D. / Best, R. / Lillis, C. (1987): The nature and measurement of marketing productivity in consumer durables industries: a firm level analysis, Journal of the Academy of Marketing Science, Vol. 15, No. 4, 1-8. Heinen, E. (1965): Betriebswirtschaftliche Kostenlehre, Band 1, 2. Aufl., Wiesbaden. Helm, R. (1996): Methoden der Produktivitätssteuerung im Vertrieb, IO-Management, 65. Jg., Nr. 7/8, 64-67. Herp, T. (1982): Der Markenwert von Marken des Gebrauchsgütersektors, Frankfurt/M. Herremans, I. M. / Ryans, J. K. (1995): The Case for Better Measurement and Reporting of Marketing Performance, Business Horizons, Vol. 38, No. 5, 51-60. Herremans, I. M. / Ryans, J. K. / Aggarwal, R. (2000): Linking advertising and brand value, Business Horizons, Vol. 43, No. 3, 19 - 26. Herrmann, A. / Bauer, H. H. (1996): Ein Ansatz zur Preisbündelung auf der Basis der „prospect“-Theorie, Zeitschrift für betriebswirtschaftliche Forschung, 48. Jg., Nr. 7/8, 675-694. Hershberger, E. / Osmonbekov, T. / Donthu, N. (2001): Benchmarking Marketing Performance, AMA Summer Educator's Conference Proceedings, Vol. 12, 1-25. Heskett, J. L. / Jones, T. O. / Lovemann, G. W. / Sasser, W. E. / Schlesinger, L. A. (1994): Putting the Service-Profit-Chain to Work, Harvard Business Review, Vol. 94, March-April, 164 -174. Hiebeler, R. / Kelly, T. B. / Ketteman, C. (1998): Best Practices, New York. Hjorth-Andersen, C. (1984): The Concept of Quality and the Efficiency of Markets for Consumer Products, Journal of Consumer Research, Vol. 11 (September), 708718. Hofer, C. W. / Schendel, D. (1984): Strategy formulation: analytical concepts, St. Paul. Hoitsch, H.-J. (1993): Produktionswirtschaft. Grundlagen einer industriellen Betriebswirtschaftslehre, 2., vollst. überarb. u. erw. Aufl., München.
320 Hoitsch, H.-J./ Lingnau, V. (2004): Kosten- und Erlösrechnung. Eine controllingorientierte Einführung, 5. überarb. Auflage, Heidelberg. Hoitsch, H.-J. (2000): Produktionsfunktionen, in: Corsten, H. (Hrsg.): Lexikon der Betriebswirtschaftslehre, 4. Aufl., München, 775-779. Homburg, C. (2000): Benchmarking durch Data Envelopment Analysis, Wirtschaftswissenschaftliches Studium, 29. Jg., 583–587. Homburg, C. / Eichin, R. (1998): Aggregierte Prozessanalysen als Instrument des Prozessmanagements, Die Betriebswirtschaft, 58. Jg., 635-643. Homburg, Ch. (1994): Produktivitätssteuerung in Marketing und Vertrieb, Controlling, 6. Jg., Nr. 3, 140-146. Homburg, Ch. (1998): Quantitative Betriebswirtschaftslehre, 2. überarb. u. erw. Auflage, Wiesbaden. Homburg, Ch. / Krohmer, H. (2003): Marketingmanagement: Strategie – Instrumente – Umsetzung – Unternehmensführung, Wiesbaden. Homburg, Ch. / Schneider, J. / Schäfer, H. (2003): Sales Excellence: Vertriebsmanagement mit System, 3., überarb. Aufl., Wiesbaden Hood, N. (1968): A conceptual framework for the measurement of marketing efficiency, British Journal of Marketing, Vol. 3, 13-17. Hoopes, B. / Triantis, K. P. (2001): Efficiency Performance, Control Charts and Process Improvement, IEEE Transactions on Engineering Management, Vol. 48, 239-253. Horsky, D. / Nelson, P. (1996): Evaluation of Salesforce Size and Productivity Through Efficient Frontier Benchmarking, Marketing Science, Vol. 15, No. 4, 301– 320. Horváth, P. (2005): Controlling, 10., vollst. überarb. Aufl, München. Huber, F. / Herrmann, A. / Peter, S. (2003): Ein Ansatz zur Steuerung der Markenstärke, Zeitschrift für Betriebswirtschaft, 73. Jg., Nr. 4, 345-370. Hunt, S. D. (1990): Truth in Marketing Theory and Research, Journal of Marketing, Vol. 54 (July), 1-15. Hunt, S. D. / Duhan, D. F. (2002): Competition in the third millennium – Efficiency or Effectiveness?, Journal of Business Research, Vol. 55, 97-102. Ingene, C. (1983): A Conceptual Model and Empirical Evidence of Labor Productivity in Department Stores, in: Gautschi, D. A. (Ed.): Productivity and Efficiency in Distribution Systems, Amsterdam, 77-92.
321 Interbrand (2003): World’s Most Valuable Brands, Survey, New York. Jegers, M. (1991): Prospect Theory and the Risk-Return Relation: Some Belgian Evidence, Academy of Management Journal, Vol. 34, No. 1, 215-225. Jondrow, J. / Lovell, C. A. K. / Materov, I. S. / Schmidt, P. (1982): On the estimation of technical inefficiency in the stochastic frontier production function model, Journal of Econometrics, Vol. 19, 233-238. Kahnemann, D. / Tversky, A. (1979): Prospect Theory: An analysis of decision under risk, Econometrica, Vol. 47, 262-291. Kalita, J. K. (1994): Measuring Product Market Efficiency: A New Methodology, Marketing Letters, Vol. 5, No. 1, 77-89. Kamakura, W. A. / Lenartowicz, T. / Ratchford, B. T. (1996): Productivity assessment of multiple retail outlets, Journal of Retailing, Vol. 72, No. 4, 333-356. Kamakura, W. A. / Ratchford, B. T. / Agrawal, J. (1988): Measuring Market Efficiency and Welfare Loss, Journal of Consumer Research, Vol. 15 (December), 289-302. Kamakura, W. A. / Mittal, V. / de Rosa, F. / Mazzon, J. A. (2002): Assessing the service profit chain, Marketing Science, Vol. 21, No. 3, 294-317. Kaparakis, E. I. / Miller, S. M. / Noulas, A. G. (1994): Short-Run Cost Inefficiency of Commercial Banks: A Flexible Stochastic Frontier Approach, Journal of Money, Credit and Banking, Vol. 26, No. 4, 875-894. Kapferer, J.–N. (2005): The new strategic brand management: creating and sustaining brand equity long term, 3rd ed., London et al. Karlöf, B. / Östblom, S. (1994): Benchmarking: A signpost to excellence in quality and productivity, New York. Keeney, R. L. / Raiffa, H. (1976): Decisions with Multiple Objectives: Preferences and Value Tradeoffs, New York. Keller, K. L. (1993): Conceptualizing, Measuring and Managing Customer-Based Brand Equity, Journal of Marketing, Vol. 57 (January), 1-22. Kern, W. (1962): Bewertung von Warenzeichen, Betriebswirtschaftliche Forschung und Praxis, 14. Jg., Nr. 1, 17-31. Khouja, M. (1995): The Use of Data Envelopment Analysis for Technology Selection, Computers & Industrial Engineering, Vol. 28, No. 1, 123-132. Kiener, J. (1980): Marketing Controlling, Darmstadt. Kirmani, A. / Rao, A. R. (2000): No Pain, No Gain, Journal of Marketing, Vol. 64, 6679.
322 Kittelsen, S. A. C. / Forsund, F. R. (1992): Efficiency Analysis of Norwegian District Courts, Journal of Productivity Analysis, Vol. 3, 277-306. Kleemann, S. (2004): Konzeptualisierung und Messung der Produktivität im Marketing - Eine State-of-the-Art-Analyse, Diplomarbeit, Universität Mannheim. Kleemann, S. / Hammerschmidt, M. (2006a): Ausgewählte Instrumente zur Steuerung der Marketingeffektivität, in: Bauer, H. H. / Stokburger, G. / Hammerschmidt, M.: Marketing Performance: Messen – Analysieren - Optimieren, Wiesbaden, 250-263. Kleemann, S. / Hammerschmidt, M. (2006b): Weiterführende Literatur zu DEAAnwendungen im Marketing, erscheint in: Bauer, H. H. / Staat, M. / Hammerschmidt, M. (Hrsg.): Marketingeffizienz: Messung und Steuerung mit der DEA Konzept und Einsatz in der Praxis, München. Kleine, A. (2002): DEA-Effizienz: Entscheidungs- und produktionstheoretische Grundlagen der Data Envelopment Analysis, Wiesbaden. Knewitz, A. (2001): Raubtiere, Stadtlaster, Die Zeit, Nr. 37, 06.09.2001, 32. Koopmans, T. C. (1951): Analysis of Production as an Efficient Combination of Activities, in: Koopmans, T. C. (Ed.): Activity Analysis of Production and Allocation, London, 33-97. Kotler, P. (1997): Marketing Management, 9th ed., Upper Saddle River. Kotler, P. / Bliemel, F. (2001): Marketing-Management, 10. Aufl., Stuttgart. Kraftfahrt-Bundesamt (2004): Statistische Mitteilungen, Reihe 1, Fahrzeugzulassungen: Neuzulassungen - Besitzumschreibungen - Löschungen - Bestand, November 2004. Kreuder, A. (2003): State of the Art der Produkteffizienzanalyse mittels Data Envelopment Analysis, Diplomarbeit, Universität Mannheim. Kriegbaum, C. (2001): Markencontrolling: Bewertung und Steuerung von Marken als immaterielle Vermögenswerte im Rahmen eines unternehmenswertorientierten Controlling, München. Krulis-Randa, J. (1990): Theorie und Praxis des Marketing-Controlling, in: Siegwart, H. / Mahari, J. / Caytas, I. G. / Sander, S. (Hrsg.): Management Controlling, Basel et al., 257-272. Kuhn, T. S. (1970): The Structure of Scientific Revolutions, 2nd ed., Chicago. Kumbhakar, S. C. / Lovell, C. A. K. (2000): Stochastic Frontier Analysis, New York.
323 LaForge, R. / Cravens, D. / Young, C. (1985): Improving Salesforce Productivity, Business Horizons, Vol. 28, No. 5, 50-59. Lal, R. / Padmanabhan, V. (1995): Competitive Response and Equilibria, Marketing Science, Vol. 14 (Summer), 101-108. Lamont, L. M. / Lundstrom, W. J. (1977): Identifying successful industrial salesmen by personality and personal characteristics, Journal of Marketing Research, Vol. 14, 517-529. Lancaster, K. J. (1966): A New Approach to Consumer Theory, The Journal of Political Economy, Vol. 74, No. 2, 132-157. Lancaster, K. J. (1979): Variety, Equity and Efficiency, Oxford. Lasch, R. / Trost, R. (1997): Wettbewerbs-Benchmarking - ein empfehlenswertes Management-Instrument?, Zeitschrift für Betriebswirtschaft, 67. Jg., 689-712. Lasslop, I. (2003): Effektivität und Effizienz von Marketing-Events - Wirkungstheoretische Analyse und empirische Befunde, Wiesbaden. Lavidge, R. J. / Steiner, G. (1961): A model for predictive measurements of advertising effectiveness, Journal of Marketing, Vol. 25, 59-62. Leeflang, P. / Wittink, D. / Wedel, M. / Naert, P. (2000): Building Models for Marketing Decisions, Dordrecht. Lenskold, J. (2002): Marketing RoI: Playing to Win, Marketing Management, Vol. 14, S. 31-34. Levitt, T. (1960): Marketing Myopia, Harvard Business Review, Vol. 38, No. 4, 45-56. Lewin, A. Y. / Day, D. (1995): Strategic Leaders or Strategic Groups: A Longitudinal Data Envelopment Analysis of the U.S. Brewing Industry, European Journal of Operational Research, Vol. 8, 619-638. Lewin A. Y. / Morey, R. C. / Cook T. J. (1982): Evaluating the Administrative Efficiency of Courts, Omega, Vol. 10, 401-411. Lins, M. P. E. / Novaes, L. F. L. / Legey, L. F. L. (2005): Real Estate Appraisal: A Double Perspective Data Envelopment Analysis Approach, Annals of Operations Research, Vol. 138, No. 1, 79-96. Lodish, L. M. / Abraham, M. M. / Kalmenson, S. / Livelsberger, J. / Lubetkin, B. / Richardson, B. / Stevens, M. E. (1995): How T.V. Advertising Works: A MetaAnalysis of 389 Real World Split Cable T.V. Advertising Experiments, Journal of Marketing Research, Vol. 32 (May), 125-139.
324 Lovell, C. A. K. (2006): Frontier Analysis in Health Care, International Journal of Healthcare Technology and Management, Vol. 7, No.1/2, 5–14. Luo, X. (2004): Data Envelopment Analysis: A Management Science Tool for Scientific Marketing Research, Journal of Marketing Research, Vol. 41 (August), 365368. Luo, X. / Donthu, N. (2001): Benchmarking Advertising Efficiency, Journal of Advertising Research, Vol. 41, No. 6, 7-18. Luo, X. / Donthu, N. (2005): Assessing advertising media spending inefficiencies in generating sales, Journal of Business Research, Vol. 58, 28-36. MacKenzie, S. / Lutz, R. (1989): An Empirical Examination of the Structural Antecedents of Attitude Toward the Ad in an Advertising Pretest Context, Journal of Marketing, Vol. 53, 48-65. Mahajan, J. (1991): A Data Envelopment Analytic Model for Assessing the Relative Efficiency of the Selling Function, European Journal of Operational Research, Vol. 53, 189-205. Marketing Science Institute (2002): 2002 - 2004 Research Priorities - A Guide to MSI Research Programs and Procedures, Research Paper, Cambridge. Matzler, K. / Fuchs, M. / Binder, H. J. / Leihs, H. (2005): Asymmetrische Effekte bei der Entstehung von Kundenzufriedenheit: Konsequenzen für die ImportancePerformance-Analyse, Zeitschrift für Betriebswirtschaft, 75. Jg., Nr. 3, 299-317. Mayer, H. / Illmann, T. (2000): Markt- und Werbepsychologie, 3. Aufl., Stuttgart McDonald, C. (1995): Single Source - neue Möglichkeiten der Untersuchung von Werbeeffizienz, Planung & Analyse, 22. Jg., Nr. 5, 52-58. Meeusen, W. / van den Broeck, J. (1977): Efficiency estimations from Cobb-Douglas Production Functions with composed errors, International Economic Review, Vol. 18, No. 2, 435-444. Meffert, H. / Koers, M. (2001): Integratives Markencontrolling auf Basis des Balanced-Scorecard-Ansatzes, in: Reinecke, S. / Tomczak, T. / Geis, G. (Hrsg.): Handbuch Marketingcontrolling, St. Gallen / Wien, 292-320. Meyer, J. W. / Rowan, B. (1977): Institutionalized organisations: Formal structure as myth and ceremony, American Journal of Sociology, Vol. 83, Nr. 2, 340-363. Miliotis, P. A. (1992): Data Envelopment Analysis Applied to Electricity Distribution Districts, The Journal of the Operational Research Society, Vol. 43, No. 5, 549555.
325 Monroe, K. B. (1990): Pricing: Making Profitable Decisions, New York. Morgan, N. A. / Clark, B. H. / Gooner, R. (2002): Marketing Productivity, Marketing Audits, and Systems for Marketing Performance Assessment: Integrating Multiple Perspectives, Journal of Business Research, Vol. 55, No. 5, 363-375. Morris, M. / Davis, D. / Allen, J. / Avila, R. / Chapman, J. (1991): Assessing the relationship among performance measures, managerial practices, and satisfaction when evaluating the salesforce: A Replication and extension, Journal of Personal Selling & Sales Management, Vol. 9, No. 3, 25-35. Mosley, H. / Schütz, H. / Schmid, G. (2003): Effizienz der Arbeitsämter, Berlin. Müller-Stewens, G. / Osterloh, M. (1996): Kooperationsinvestitionen besser nutzen: Interorganisationales Lernen als Know-how-Transfer oder Kontext-Transfer?, Zeitschrift Führung und Organisation, 65. Jg., Nr. 1, 18-24. Mukherjee, A. / Nath, P. / Pal, M. (2003): Resource, service quality and performance triad: a framework for measuring efficiency of banking services, The Journal of the Operational Research Society, Vol. 54, 723-735. Murthi, B. P. S. / Srinivasan, K. / Kalyanaram, G. (1996): Controlling for Observed and Unobserved Managerial Skills in Determining First-Mover Market Share Advantage, Journal of Marketing Research, Vol. 33 (August), 329-336. Neely, A. D. (2004): Business Performance Measurement – Theory and Practice, 4th ed., Cambridge. Neely, A. D. / Mills, J. F. / Gregory, M. J. / Platts, K. W. (1995): Performance measurement systems design - A literature review and research agenda, International Journal of Operations and Production Management, Vol. 15, No. 4, 80-116. Norman, M. / Stoker, B. (1991): Data Envelopment Analysis. The Assessment of Performance, New York et al. Norton, R. (1994): Which offices or stores really perform best? A new tool tells, Fortune, Vol. 130, No. 9, 38. Noulas, A. / Ketkar, K. (1998): Efficient utilization of resources in public schools: a case study of New Jersey, Applied Economics, Vol. 30, 1299-1309. Nunamaker, T. R. (1985): Using Data Envelopment Analysis to Measure the Efficiency of Non-profit Organizations, Managerial and Decision Economics, Vol. 6, 50-58. Nyhan, R. C. / Marlowe, H. A. (1995): Performance Measurement in the Public Sector: Challenges and Opportunities, Public Productivity & Management Review, Vol. 18, No. 4, 333-348.
326 Nyhan, R. C. / Martin, L. L. (1999): Comparative performance measurement, Public Productivity & Management Review, Vol. 22, No. 3, 348-364. Odeck, J. / Hjalmarsson, L. (1996): The Performance of Trucks - An Evaluation Using Data Envelopment Analysis, Transportation Planning and Technology, Vol. 20, No. 1, 49-66. Osterloh, M. / Frost, J. (1998): Prozessmanagement als Kernkompetenz: Wie Sie Business Reengineering strategisch nutzen können, 2. aktual. u. erw. Aufl., Wiesbaden. o.V. (2001): Engage Online Advertising Report Summer 2001, Engage Inc., San Francisco. o.V. (2004a): Neue Erhebungsdaten: Fahrzeug-Qualität gemessen durch Pannenstatistik, http://www.adac.de/Auto_Motorrad/pannen_und_maengel/PannenStatistik. o.V. (2004b): Toyota zweitgrößter Autohersteller, Wall Street Journal, 26. 01. 2004. Padberg, T. / Werner, T (2005): Analyse der Mehrjahresentwicklung der Effizienz von Sparkassen unter Einsatz der DEA und des Malmquist Index, Zeitschrift für betriebswirtschaftliche Forschung, 57. Jg., 214-236 Papagapiou, A. / Mingers, J. / Thanassoulis, E. (1997): Would you buy a used car with DEA?, OR Insight, Vol. 10, No. 1, 13-19. Papahristodoulou, C. (1997): A DEA Model to Evaluate Car Efficiency, Applied Economics, Vol. 29 (November), 1493-1508. Paradi, J. C. / Vela, S. / Yang, Z. (2004): Assessing Bank and Bank Branch Performance, in: Cooper, W. W. / Seiford, L. M. / Zhu, J. (Eds.): Handbook on data envelopment analysis, Boston, 349-400. Parsons, L. J. (1994): Productivity versus Relative Efficiency in Marketing: Past and Future?, in: Laurent, G. / Lilien, G. L. / Pras, B. (Eds.): Research Traditions in Marketing, Boston, 169-198. Pastor, J. M. / Pérez, F. / Quesada, J. (1997): Efficiency analysis in banking firms: An international comparison, European Journal of Operational Research, Vol. 98, 395-407. Pelham, A. M. / Wilson, D. T. (1996): A Longitudinal Study of the Impact of Market Structure, Firm Structure, Strategy, and Market Orientation Culture on Dimensions of Small-Firm Performance, Journal of the Academy of Marketing Science, Vol. 24, No. 1, 27-43.
327 Penrose, N. (1989): Valuation of Brand Names and Trademarks, in: Murphy, J. (Ed.): Brand Valuation: Establishing a True and Fair View, The Interbrand Group, London, 32-46. Pepels, W. (1996): Werbeeffizienzmessung, Stuttgart. Perelman, S. / Pestieau, P. (1988): Technical Performance in Public Enterprises - A comparative Study of Railways and Postal Services, European Economic Review, Vol. 32, 432-441. Pfannmüller, M. (2004): Markentausch: Bald kommen Chevrolets aus Südkorea, FAZ, 17.07.2004. Piercy, N. / Cravens, D. / Morgan, N. A. (1996): Salesforce performance and behaviour-based management processes in business-to-business sales organizations, European Journal of Marketing, Vol. 32, 79-100. Piercy, N. / Cravens, D. / Morgan, N. A. (1999): Relationship between sales management control, territory design, salesforce performance and sales organization effectiveness, British Journal of Management, Vol. 10, 95-111. Pilling, B. / Donthu, N. / Henson, S. (1999): Accounting for the Impact of Territory Characteristics on Sales Performance – Relative Efficiency as a Measure of Salesperson Performance, Journal of Personal Selling & Sales Management, Vol. 19, No. 2, 35-45. Porembski, M. (2000): Produktivität der Banken, Wiesbaden. Porter, M. E. (2004): Competitive advantage: Creating and sustaining superior performance, New York et al. Porter, M. E. (2000): Wettbewerbsvorteile: Spitzenleistungen erreichen und behaupten, 6. Aufl., Frankfurt, M./New York. Prahalad, C. K. / Hamel, G. (1990): The core competence of the corporation, Harvard Business Review, Vol. 90, No. 3, 79-91. Rao, V. / Sabavala, D. J. (1981): Inference of Hierarchical Choice Processes from Panel Data, Journal of Consumer Research, Vol. 8 (June), 85-96. Ratchford, B. T. / Agrawal, J. / Grimm, P. E. / Srinivasan, N. (1996): Toward Understanding the Measurement of Market Efficiency, Journal of Public Policy & Marketing, Vol. 15, No. 2, 167-184. Rau, H. (1996): Mit Benchmarking an die Spitze: von den Besten lernen, Wiesbaden.
328 Raub, S. / Büchel, B. (1996): Organisationales Lernen und Unternehmensstrategie „core capabilities“ als Ziel und Resultat organisationalen Lernens, Zeitschrift Führung und Organisation, 65. Jg., Nr. 1, 26-30. Recht, P. / Scheel, H. (1997): Faire Effizienzmessung im Außendienst, Versicherungswirtschaft, 52. Jg., 364-366. Reichmann, G. / Sommersguter-Reichmann, M. (2004): Performancemessung im Bereich wissenschaftlicher Bibliotheken, Die Betriebswirtschaft, 64. Jg., 154-173. Reichmann, T. (2005): Controlling mit Kennzahlen und Managementberichten, 7. Aufl., München. Reinartz, W. / Thomas, J. S. / Kumar, V. (2005): Balancing Acquisition and Retention Resources to Maximize Customer Profitability, Journal of Marketing, Vol. 69 (January), 63–79. Reinecke, S. (2004): Marketing Performance Management: Empirisches Fundament und Konzeption für ein integriertes Marketingkennzahlensystem, Wiesbaden. Reinecke, S. / Reibstein, D. J. (2002): Performance Measurement im Marketing und Verkauf: Einsatz von Marketingkennzahlen in den USA und in Kontinentaleuropa, Kostenrechnungspraxis, 46. Jg., Nr. 1, 18-25. Repenn, W. / Weidenhiller, G. / Tafelmaier, R. (2005): Markenbewertung und Markenverwertung, 2. Aufl., München. Riedesel, P. (2002): Comment on “Benchmarking Advertising Efficiency”, Journal of Advertising Research, Vol. 42, S. 93. Roll, Y. / Cook, W. D. / Golany, B. (1991): Controlling factor weights in data envelopment analysis, IIE Transactions, Vol. 23, 2-9. Rosen, S. (1974): Hedonic Prices and Implicit Markets: Product Differentiation in Pure competition, The Journal of Political Economy, Vol. 82, No. 1, 34-55. Rühli, E. (1995): Ressourcenmanagement: Strategischer Erfolg dank Kernkompetenzen, Die Unternehmung, 40. Jg., Nr. 2, 91-105. Rust, R. T. (1988): Flexible Regression, Journal of Marketing Research, Vol. 25 (February), 10-24. Rust, R. T. / Ambler, T. / Carpenter, G. S. / Kumar, V. / Srivastava, R. K. (2004): Measuring Marketing Productivity: Current Knowledge and Future Directions, Journal of Marketing, Vol. 68, No. 4, 76-89.
329 Rust, R. T. / Lemon, K. N. / Zeithaml, V. A. (2004): Return on Marketing: Using Customer Equity to Focus Marketing Strategy, Journal of Marketing, Vol. 68, No. 1, 109–127. Rust, R. T. / Moorman, C. / Dickson, P. R. (2002): Getting Return on Quality, Journal of Marketing, Vol. 66 (October), 7-24. Rust, R. T. / Zahorik, A. / Keiningham, T. L. (1995): Return on Quality (ROQ): Making Service Quality Financially Accountable, Journal of Marketing, Vol. 59 (April), 58– 70. Sabisch, H. / Tintelnot, C. (1997): Integriertes Benchmarking für Produkte und Produktentwicklungsprozesse, Berlin / Heidelberg. Saen, R. F. / Memariani, A. / Lotfi, F. H. (2005): The effect of correlation coefficient among multiple input vectors on the efficiency mean in data envelopment analysis, Applied Mathematics and Computation, Vol. 162, No. 2, 503-521. Sander, M. (1994): Die Bestimmung und Steuerung des Wertes von Marken: eine Analyse aus Sicht des Markeninhabers, Heidelberg. Sattler, H. (1998): Markenbewertung als Instrument der Wertorientierten Unternehmensführung, in: Bruhn, M. / Lusti, M. / Müller, W. R. / Schierenbeck, H. / Studer, T. (Hrsg.): Wertorientierte Unternehmensführung, Wiesbaden, 192-212. Sattler, H. (1999): Ein Indikatorenmodell zur langfristigen monetären Markenwertbestimmung, Die Betriebswirtschaft, Nr. 5, 633-653. Sauer, N. E. (2003): Consumer Sophistication - Messung, Determinanten und Wirkungen auf Kundenzufriedenheit und Kundenloyalität, Wiesbaden. Scheel, H. (2000): Effizienzmaße der Data Envelopment Analysis, Wiesbaden. Schefczyk, M. (1993): Operational Performance of Airlines: An Extension of Traditional Mangement Paradigms, Strategic Management Journal, Vol. 14, No. 4, 301-317. Schefczyk, M. (1994): Kritische Erfolgsfaktoren in schrumpfenden Branchen, Stuttgart. Schefczyk, M. (1996): Data Envelopment Analysis, Die Betriebswirtschaft, 56. Jg., 167-183. Schefczyk, M. / Gerpott, T. (1996): Unternehmenserfolgssicherung in einem schrumpfenden Markt: eine empirische Analyse deutscher Gießereien unter Anwendung der DEA, Zeitschrift für Planung, 7. Jg., Nr. 3, 211-232.
330 Schmidt, F. (2000): Strategisches Benchmarking: Gestaltungskonzeptionen aus der Markt- und Ressourcenperspektive, Lohmar / Köln. Schmidt, P. (1976): On the statistical estimation of parametric frontier production functions, Review of Economics and Statistics, Vol. 58, 238-239. Schmitz, N. (1987): Superspiele mit Vertrauensbildung, in: Opitz, O. / Rauhut, B. (Hrsg.): Ökonomie und Mathematik, Berlin et al., 75-88. Schneeweiß, C. (2002a): Einführung in die Produktionswirtschaft, 8., verb. u. erw. Aufl., Berlin et al. Schneeweiß, C. (2002b): Zur Erweiterung der Produktionstheorie auf die Dienstleistungsproduktion, in: Lingnau, V. / Schmitz, H. (Hrsg.): Aktuelle Aspekte des Controllings, Heidelberg / New York, 199-224. Schneider, D. (1997): Betriebswirtschaftslehre, Band 3, Theorie der Unternehmung, München/Wien. Schneider, M. (2004): Data-Envelopment-Analyse von Landesarbeitsgerichten. Betriebswirtschaftlicher Leistungsvergleich im kennzahlenfreien Raum, Die Betriebswirtschaft, 64. Jg., 28-38. Schroiff, H.-W. (1999): Schwerpunktthema: Marketing-Controlling durch Marktforschung, Planung & Analyse, 26. Jg., Nr. 6, 16-44. Schulz, R. / Brandmeyer, K. (1989): Die Marken-Bilanz: Ein Instrument zur Bestimmung und Steuerung von Markenwerten, Markenartikel, 51. Jg., Nr. 7, 364-370. Scott, W. R. / Meyer, J. W. (1991): The organization of societal sectors, in: Powell, W. W. / Di Maggio, P. J. (Eds.): The new institutionalism in organizational analysis, Chicago, 108-140. Seiford, L. M. / Zhu, J. (1999): Infeasibility of Super-Efficiency Data Envelopment Analysis Models, INFOR, Vol. 37, No. 2, 174-187. Sengupta, J. K. (1995): Dynamics of Data Envelopment Analysis - Theory of Systems Efficiency, Dordrecht et al. Sengupta, J. K. (1996): Stochastic efficiency measurement: a new approach, Applied Economics Letters, Vol. 4, 125-128. Sengupta, J. K. (1999): A dynamic efficiency model using DEA, International Journal of Production Economics, Vol. 62, 209-218. Sengupta, J. K. (2000): Dynamic and stochastic efficiency analysis: Economics of Data Envelopment Analysis, Singapore et al. Sevin, C. (1965): Marketing productivity Analysis, St. Louis et al.
331 Sharma, A. / Levy, M. / Kumar, A. (2000): Knowledge Structures and Retail Sales Performance: An empirical Examination, Journal of Retailing, Vol. 76, 53-69. Shaw, R. (2001): Measure up! A manifesto for change, Journal of Targeting, Measurement and Analysis for Marketing, Vol. 9, 301-305. Shephard, R. W. (1953): Cost and Production Functions, Princeton. Sherman, H. D. / Gold, F. (1985): Bank branch operating efficiency, Journal of Banking and Finance, Vol. 9, No. 2, 297-315. Sherman, H. D. / Ladino, G. (1995): Managing Bank Productivity Using Data Envelopment Analysis (DEA), Interfaces, Vol. 25, No. 2, 60-73. Sheth, J. / Sisodia, R. (1995a): Feeling the Heat - Part 1, Marketing Management, Vol. 4, No. 2, 9-23. Sheth, J. / Sisodia, R. (1995b): Feeling the Heat - Part 2, Marketing Management, Vol. 4, No. 3, 19-33. Sheth, J. / Sisodia, R. (2002): Marketing Productivity – Issues and Analysis, Journal of Business Research, Vol. 55, 349-362. Shoemaker, R. W. / Shoaf, F. R. (1977): Repeat Rates of Deal Purchases, Journal of Advertising Research, Vol. 17, No. 2, 47-53. Shoham, A. / Fiegenbaum, A. (1999): Extending the Competitive Marketing Strategy Paradigm: The Role of Strategic Reference Points Theory, Journal of the Academy of Marketing Science, Vol. 27, 442-454. Simar, L. / Wilson, P. W. (1998): Sensitivity Analysis of Efficiency Scores, Management Science, Vol. 44, 49-61. Simar, L. / Wilson, P. W. (2004): Performance of the Bootstrap for DEA, in: Cooper, W. W. / Seiford, L. M. / Zhu, J. (Eds.): Handbook on data envelopment analysis, Boston, 265-298. Simon, C. J. / Sullivan, M. W. (1993): The Measurement and Determinants of Brand Equity: a financial approach, Marketing Science, Vol. 12, No. 1, 28-52. Skiera, B. / Albers, S. (2000): Regressionsanalyse, in: Herrmann, A. / Homburg, Ch. (Hrsg.): Marktforschung, Wiesbaden, 203-236. Smirlis, Y. G. / Despotis, D. K. / Jablonsky, J. / Fiala, P. (2004): Identifying best-buys in the market of prepaid mobile telephony: An application of imprecise DEA, International Journal of Information Technology and Decision Making, Vol. 3, 167177. Sommer, R. (1994): Werbeeffizienz, Planung & Analyse, 21. Jg., Nr. 5, 7-11.
332 Soteriou, A. / Zenios, S. A. (1999): Operations, Quality, and Profitability in the Provision of Banking Services, Management Science, Vol. 45, No. 9, 1221-1238. Sowlati, T. / Paradi, J. C. (2004): Establishing the "practical frontier" in data envelopment analysis, Omega, Vol. 32, 261-272. Spendolini, M. J. (1994): The Benchmarking Book, New York Staat, M. (1999): Treating non-discretionary variables one way or the other: implications for efficiency scores and their interpretation, in: Westermann, G. (Ed.): Data Envelopment Analysis in the Service Sector, Wiesbaden, 23-50. Staat, M. (2000): Der Krankenhausbetriebsvergleich: Benchmarking vs. Data Envelopment Analysis, Zeitschrift für Betriebswirtschaft, 70. Jg., Ergänzungsheft 4/2000, 123-140. Staat, M. (2002): Bootstrapped estimates for a model for groups and hierarchies in DEA, European Journal of Operational Research, Vol. 138, 1-8. Staat, M. (2003): The Efficiency of Treatment Strategies of General Practitioners: A Malmquist Index Approach, European Journal of Health Economics, Vol. 4, No. 3, 232-238. Staat, M. / Bauer, H. H. / Hammerschmidt, M. (2002): Structuring Product-Markets: An Approach Based on Customer Value, Marketing Theory and Applications, Vol. 13, No. 1, 205-212. Staat, M. / Hammerschmidt, M. (2000): Relative Performance Evaluation of Hospitals in Germany, in: Albertshauser, U. / Knoedler, H. (Eds.): Economics and Political Counselling Between Theory and Practice, Berlin, 221-253. Staat, M. / Hammerschmidt, M. (2005): Product Performance Evaluation - A SuperEfficiency Model, International Journal of Business Performance Management, Vol. 7, No. 3, 304-319. Steffenhagen, H. (1999): Werbeeffizienz-Leitbilder: Eine Bestandsaufnahme von Wirkungsmechanismen der Werbung, Werbeforschung & Praxis, 45. Jg., Nr. 4, 30-35. Steffenhagen, H. (2003): Messung der Effizienz der Markenkommunikation, in: Gesellschaft zur Erforschung des Markenwesens (Hrsg.): Markendialog - Markenkommunikation auf dem Prüfstand, Wiesbaden, 81-101. Steffenhagen, H. (2004): Marketing – Eine Einführung, 5. Aufl., Stuttgart. Steiner, R. (1978): Marketing Productivity in Consumer Goods Industries - A Vertical Perspective, Journal of Marketing, Vol. 42 (January), 60-70.
333 Stewart, T. J. (1996): Relationships between DEA and Multicriteria Decision Analysis, The Journal of the Operational Research Society, Vol. 47, 654-665. Stöckle, F. (2004): Brand Equity vs. Branding Efficiency, Planung & Analyse, 31. Jg., Nr. 2, 65-70. Straub, R. (1997): Benchmarking: Eine Darstellung des Benchmarking als modernes Instrument zur Leistungsverbesserung, Zürich. Srivastava, R. K. / Shervani, T. A. / Fahey, L. (1998): Market-based Assets and Shareholder Value: A Framework for Analysis, Journal of Marketing, Vol. 62 (January), 2-18. Tavares, G. (2002): A Bibliography of Data Envelopment Analysis, Rutgers Research Report RRR 01-02, Rutgers Center for Operations Research, Rutgers University, Piscataway. Thanassoulis, E. (1995): Assessing Police Forces in England and Wales Using Data Envelopment Analysis, European Journal of Operational Research, Vol. 87, 641– 657. Thanassoulis, E. (1996): Assessing the effectiveness of schools with pupils of different ability using data envelopment analysis, The Journal of the Operational Research Society, Vol. 47, No. 1, 84-97. Thanassoulis, E. (1997): Assessing the market efficiency of Pubs, OR Insight, Vol. 10, No. 4, 3-19. Thanassoulis, E. / Boussofiane, A. / Dyson, R. G. (1995): Exploring output quality targets in the provision of perinatal care in England using data envelopment analysis, European Journal of Operational Research, Vol. 80, No. 3, 588-607. Thanassoulis, E. / Dunstan, P. (1994): Guiding schools to improved performance using data envelopment analysis: An illustration with data from a local education authority, The Journal of the Operational Research Society, Vol. 45, No. 11, 12471262. Thanassoulis, E. / Portela, M. C. / Allen, R. (2004): Incorporating value judgements in DEA, in: Cooper, W. W. / Seiford, L. M. / Zhu, J. (Eds.): Handbook on data envelopment analysis, Boston, 99-138. Thomas, M. J. (1984): The Meaning of Marketing Productivity Analysis, Marketing Intelligence and Planning, Vol. 2, No. 2, 13–28. Thomas, R. / Barr, R. / Cron, W. / Slocum, J. (1998): A process for evaluating retail store efficiency: a restricted DEA Approach, International Journal of Research in Marketing, Vol. 15, No. 5, 487-503.
334 Thompson, R. G. / Langemeier, L. N. / Lee, C.-T. / Lee, E. / Thrall, R. M. (1990): The role of multiplier bounds in efficiency analysis with applications to Kansas farming, Journal of Econometrics, Vol. 46, 93-108. Thrall, R. M. (2000): Measures in DEA with an application to the Malmquist index, Journal of Productivity Analysis, Vol. 13, 125-137. Tirole, J. (1999): Industrieökonomik, 2. Aufl., München et. al. Tone, K. (2004): Malmquist Productivity Index – Efficiency Changes Over Time, in: Cooper, W. W. / Seiford, L. M. / Zhu, J. (Eds.): Handbook on data envelopment analysis, Boston, 203-227. Triantis, K. P. (2004): Engineering Applications of DEA, in: Cooper, W. W. / Seiford, L. M. / Zhu, J. (Eds.): Handbook on data envelopment analysis, Boston, 401-441. Trommsdorff, V. (2004): Verfahren der Markenbewertung, in: Bruhn, M. (Hrsg.): Handbuch Markenführung, Band 2, 2. Aufl., Stuttgart, 1853-1875. Tulkens, H. (1993): On FDH Efficiency Analysis: Some Methodological Issues and Applications to Retail Banking, Courts, and Urban Transit, Journal of Productivity Analysis, Vol. 4, 183-210. Tull, D. S. / Wood, V. R. / Duhan, D. / Gillpatrick, T. / Robertson, K. R. / Helgeson, J. G. (1986): “Leveraged” Decision Making in Advertising: The Flat Maximum Principle and Its Implications, Journal of Marketing Research, Vol. 23, 25-32. Turck, F. (1948): Man Hours as a Measurement of Marketing Efficiency, Journal of Marketing, Vol. 12 (April), 499-500. Ulrich, P. (1998): Organisationales Lernen durch Benchmarking, Wiesbaden. UGW (2003): PoS-Marketing Report 2002/03, Wiesbaden. Valtin, A. (2005): Der Wert von Luxusmarken, Wiesbaden. Vanden, E. / Tulkens, P. H. / Jamar, M. A. (1993): Cost efficiency in Belgian municipalities, in: Fried, H. O. / Lovell, C. A. K. / Schmidt, S. S. (Eds.): The measurement of productive efficiency, Oxford / New York, 300-334. Vargo, S. L. / Lusch, R. F. (2004): Evolving to a New Dominant Logic for Marketing, Journal of Marketing, Vol. 68 (January), 1-17. Varian, H. (1984): The Nonparametric Approach to Production Analysis, Econometrica, Vol. 52, No. 3, 579-598. Vassiloglou, M. / Giokas, D. (1990): A Study of the Relative Efficiency of Bank Branches: An Application of Data Envelopment Analysis, The Journal of the Operational Research Society, Vol. 41, No. 7, 591-597.
335 Vavricka, J. / Trailer, B. (1997): Implementing a Formal Selling Process and Performance Measures in a Sales Organization, in: Kaydos, W. (Ed.): Operational Performance Measurement - Increasing Total Productivity, Boca Raton, 1-21. Vorhies, D. W. / Morgan, N. A. (2003): A Configuration Theory Assessment of Marketing Organization Fit with Business Strategy and Its Relationship with Marketing Performance, Journal of Marketing, Vol. 67, 100-115. Vorhies, D. W. / Morgan, N. A. (2005), Benchmarking Marketing Capabilities for Sustainable Competitive Advantage, Journal of Marketing, Vol. 69, 80-94. Weeks, W. A. / Kahle, L. R. (1990): Salespeople’s Time Use and Performance, Journal of Personal Selling and Sales Management, Vol. 10, 29-37. Weibler, J. / Lucht, T. (2001): Führungseffizienz mit DEA messen, Personalwirtschaft, 28. Jg., Nr. 12, 18-23. Werner, A. (2003): Marketing-Instrument Internet, 3. Aufl., Heidelberg. Werner, T. / Brokemper, A. (1996): Leistungsmessung mit System, Data Envelopment Analysis als Instrument des Controlling, Controlling, 8. Jg., Nr. 3, 164 - 170. Westermann, G. / Pröll, R. / Cantner, U. (1996): DEA - effektives Instrument der Effizienzmessung, Betriebswirtschaftliche Blätter, 45. Jg., Nr. 2, 77-81. Weston, H. (1976): The estimation of marketing efficiency, European Journal of Marketing, Vol. 10, No. 5, 218-239. White, L. (1973): The Technology of Retailing, Boston. Wilson, P. W. (1995): Detecting influential observations in data envelopment analysis, Journal of Productivity Analysis, Vol. 6, 27-45. Wong, Y.-H. B. / Beasley, J. (1990): Restricting weight flexibility in DEA, The Journal of the Operational Research Society, Vol. 41, 829-835. Xue, M. / Harker, P. T. (2002): Customer Efficiency, Journal of Service Research, Vol. 4, 253-267. Yoo, B. / Donthu, N. / Lee, S. (2000): An Examination of Selected Marketing Mix Elements and Brand Equity, Journal of the Academy of Marketing Science, Vol. 28, No. 2, 195-212. Zanger, C. / Drenger, J. (1999): Erfolgskontrolle im Eventmarketing, Planung & Analyse, 26. Jg., Nr. 6, 31-36. Zenios, C. / Zenios, S. / Agathathocleous, K. / Soteriou, A. (1999): Benchmarks of the Efficiency of Bank Branches, Interfaces, Vol. 29, 37-51.
336 Zhang, Y. / Bartels, R. (1998): The effect of sample size on the mean efficiency in DEA with an application to electricity distribution in Australia, Sweden and New Zealand, Journal of Productivity Analysis, Vol. 9, 187-204. Zhu, J. (2000): Setting scale efficient targets in DEA via returns to scale estimation methods, The Journal of the Operational Research Society, Vol. 51, 376-378. Zhu, J. (2003): Quantitative models for performance evaluation and benchmarking: data envelopment analysis with spreadsheets and DEA Excel Solver, Boston. Zimmermann, H.-J. / Gutsche, L. (1991): Multi-Criteria Analyse: Einführung in die Theorie der Entscheidungen bei Mehrfachzielsetzungen, Berlin. Zimmermann, R. / Klein-Bölting, U. / Sander, S. / Murad-Aga, Th./ Bauer, H. H. (2001): Brand Equity Excellence, Band 1, Brand Equity Review, Düsseldorf. Zimmermann, R. / Klein-Bölting, U. / Sander, B. / Murad-Aga, Th. / Bauer, H. H. / Valtin, A. (2002): Brand Equity Excellence, Band 2, Brand Equity Evaluator, Düsseldorf.